Содержание к диссертации
Введение
Глава 1. Анализ компьютерных технологий обработки медининских данных в задачах классификации с нечеткими грани-цами классов 10
1.1 Особенности классификации признаковых пространств при диагностики и дифференцировании анемий 10
1.2.Методы решения задач диагностики и прогнозирования, используемые в медицинских приложениях 20
1.3.Автоматизированные системы для диагностики заболеваний крови 34
1 4 Цель и задачи исследования 45
Глава 2. Разработка и исследование методов, способов и алгоритмов поддержки принятия решений при диагностики анемий 47
2.1 . Выбор схемы принятия решений по дифференциальной диагностике анемий и их стадий 47
2.2 . Рекомендации по выбору правил агрегирования для первого уровня 49
2.3 . Синтез алгоритма генетического типа 56
2.4 . Способ выбора параметров модулей нечеткого вывода в много- уровневых системах классификации 68
2.5 . Метод синтеза решающих правил для системы поддержки принятия решений при диагностике анемий 72
Глава 3. Синтез признаковых пространств и алгоритмов управления для автоматизированной системы диагностики и дифференцирования анемий 76
3.1 Исследование и разработка алгоритма управления процессом диагностики анемий 76
3.2 Скрининг анемии на основе данных автоматизированного анализа крови 79
3.3 Разработка алгоритма дифференциальной диагностики железодефицитных анемий 87
3.4 Алгоритм управление диагностикой мегалобластных анемий 97
3.5 Автоматизированная диагностика гемолитических анемий 101
3.6 Разработка алгоритма определения стадий апластическоЙ анемии 104
Глава 4. Обучение и диагностика в автоматизированной системе диагностики анемий 110
4.1 Объект, методы и средства исследования 110
4.2 Автоматизированная диагностика анемий по эритроцитарным индексам 115
4.3 Экспериментальные исследования решающих правил по диагностике мегалобластных анемий 122
4.4 Обсуждение результатов исследования 127
Заключение 131
Библиографический список 133
- Особенности классификации признаковых пространств при диагностики и дифференцировании анемий
- Выбор схемы принятия решений по дифференциальной диагностике анемий и их стадий
- Исследование и разработка алгоритма управления процессом диагностики анемий
- Объект, методы и средства исследования
Введение к работе
Актуальность работы. Анемии занимают видное место в структуре заболеваний. Железодефицитные, витамин-В^-дефицитные, гемолитические, апластические анемии - таков порядок основных форм анемий по встречаемости. Несмотря на то, что анемия - одно из самых часто встречающихся гематологических нарушений, количество диагностических ошибок велико.
Стандартные алгоритмы клинического обследования больных с различными формами анемий, как правило, обеспечивают их точную нозологическую расшифровку. Однако при некоторых гемолитических процессах верификация может оказаться весьма сложной. В связи с этим актуальна задача поиска методов, облегчающих и ускоряющих дифференциальную диагностику анемий неясного генеза на ранних этапах их возникновения. Это особенно важно в современных экологических условиях, с ростом факторов риска сердечно-сосудистых и легочных заболеваний, так как при сердечно-сосудистых заболеьаниях в их патогенезе имеет большое значение изменение биофизических параметров крови, которое сопровождается изменением ее агрегатного состояния и, в ряде случаев, приводящее к гибели организма (Гланц P.M., 1989; Белоусов Ю.Б., 1986; Козинец Г.И., 2000).
Исследования показали, что повысить качество решения исследуемого класса задач можно, используя методы теории нечетких множеств, учитывающих разносторонние проявления анемического синдрома с привлечением современных информационных технологий.
Исходя из того, что существующие методы, алгоритмы и технические устройства диагностики анемий не обеспечивают требуемого качества классификации при допустимых ограничениях на время принятия решения и технико-экономические затраты, а высокий процент этих заболеваний требует решения задач повышения качества диагностики и лечения, проблема повышения эффективности автоматизированных систем, позволяющих исследовать эритроцитарные нарушения в клинической и амбулаторной практике в реальном времени и осуществлять прогноз возникновения и развития анемий, является весьма актуальной.
Работа выполнена в соответствии с научным направлением Курского государственного технического университета «Разработка медико-экологических информационных технологий» и в соответствии с научно-технической программой «Научные исследования высшей школы по приоритетным направлениям науки и техники», подпрограмма 204 «Технология живых систем» 2002-2004гг.
Целью диссертационной работы является разработка методов и средств для повышения достоверности диагностики анемий путем автоматизации анализа данных различных функциональных подсистем и лабораторного анализа на основе нечеткой логики принятия решений и использования алгоритмов генетического типа.
едующие
Для достижения поставленной Ц^и^О^^ЙЙШоВЙШЕЗР
задачи: і кіШЛИЄТЄКЛ
проанализировать количественные и качественные признаки, связанные с эритроцитарными нарушениями, и сформировать признаковые пространства, позволяющие выявлять наличие анемического синдрома;
предложить способ агрегирования данных от различных признаковых пространств, характеризующих состояние анемии;
разработать алгоритм оптимизации выбора структуры модуля нечеткого вывода;
разработать метод синтеза решающих правил для дифференциальной диагностики анемий;
разработать алгоритмы управления процессами скрининга и диагностики анемий;
предложить структуру системы поддержки принятия решений для врача-гематолога;
провести апробацию предложенных методов и средств в клинических условиях.
Методы исследования. Для решения поставленных задач использовались методы системного анализа, моделирования, теории нечетких множеств и генетических алгоритмов, прикладной статистики, экспертного оценивания и принятия решений.
При разработке программного обеспечения использовался принцип модульного программирования и технология средств визуального программирования Delphi.
Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:
метод синтеза решающих правил для дифференциальной диагностики анемий и их стадий, использующий двухуровневый способ принятия решений с синтезом двух модулей нечеткого вывода: первого - на основе разведочного анализа структуры классов в подпространствах многомерного признакового пространства, а второго - на основе перебора возможных комбинаций операций над нечеткими числами по алгоритмам генетического типа, позволяющий синтезировать решающие правила для получения прогностических и диагностических выводов о наличии эритроцитарных нарушений;
модель блока нечеткого вывода второго уровня, отличающаяся агрегированием N-мерного вектора нечетких данных на его входе с заданным коэффициентом уверенности, представленная в виде хромосомы, содержащей "N-1 ген, каждый і-й ген которой является кодом нечеткой операции над і-м и (і+1)-м элементом нечеткого входного вектора, результат і-й операции размещается в (і+1)-м элементе этого вектора, а результат агрегирования - в N-м элементе;
- алгоритм выбора оптимальной структуры блока нечеткого вывода
второго уровня, отличающийся тем, что он реализован в виде генетического
алгоритма, оптимизирующего структуру хромосомы, число генов в которой
на единицу меньше размерности входного вектора этого блока, число их ал
лелей равно числу вводимых нечетких операций, а оптимизируемый функ-
w.,. 1 »ч.'»<"
і - «... - . -- " ~
ционал построен согласно требованиям к соотношению ошибок первого и второго рода по диагностируемым классам;
алгоритмы управления процессами скрининга и диагностики анемий, позволяющие синтезировать признаковые пространства для заданного типа анемий и определять уверенность в поставленном диагнозе посредством использования модулей нечеткого вывода, синтезированных на основе алгоритмов генетического типа, в которых реализуются как принципы скрещивания, так и мутаций;
решающие правила для диагностики анемий и их стадий, отличающиеся тем, что на первом иерархическом уровне классификации диагностика ведется по данным автоматизированного анализа крови, представленного в виде эритроцитарных индексов, а на последующих иерархических уровнях проводится анализ других лабораторных данных, результатов клинических исследований и рисков, связанных с воздействием на организм факторов производственной среды и экологических факторов, что позволяет либо выделить в данном тиле анемии стадию заболевания, либо провести уточнение диагноза за счет выявления заболеваний, симптоматически сходных с диагностируемыми.
Практическая значимость работы. Практическая значимость работы заключается в создании специализированного программного комплекса для диагностики и дифференцирования анемий.
Предложена автоматизированная система диагностики и дифференцирования анемий, позволяющая классифицировать анемии по пяти типам с возможностью определения стадий и проведения скрининга. Практические испытания системы показали ее высокую диагностическую и прогностическую эффективность и приемлемое качество рекомендаций по организации лечебно-оздоровительных мероприятий.
Реализация результатов работы. Основные теоретические и практические результаты работы внедрены в составе медицинской информационной системы в практическую деятельность клинико-биохимической лаборатории МУЗ «Городская больница №6» г. Курска и в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению «Биомедицинская инженерия».
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: на VI Международной научно-технической конференции «Медико-экологические информационные технологии - 2003» (Курск, 2003); XI Российской научно-технической конференции «Материалы и упрочняющие технологии - 2004» (Курск, 2004), VIII Международной научно-технической конференции «Медико-экологические информационные технологии - 2005», (Курск, 2005); Межрегиональной научно-практической конференции «Актуальные проблемы теории, методологии и практики управления в российских условиях» (Курск, 2005).
Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 8 печатных работ.
Личный вклад автора. В работах, опубликованных в соавторстве и приведенных в конце автореферата, в [1] соискателем предложена методика получения данных по форменным элементам крови, в [2] автор исследовал влияние различных факторов на частоту заболеваний крови, в [4] соискатель предложил метод синтеза решающих правил для диагностики анемий, в [5] автор предложил способ классификации анемий на первом иерархическом уровне классификации в двухуровневой системе классификации анемий, в [7] автор провел анализ математических методов моделирования модулей нечеткого вывода, в [8] соискателем предложена двухуровневая архитектура системы поддержки принятия решений.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и списка литературы, включающего 98 отечественных и 9 зарубежных наименований. Работа изложена на 131 странице машинописного текста, содержит 46 рисунков и 14 таблиц.
Особенности классификации признаковых пространств при диагностики и дифференцировании анемий
Анемия (малокровие) - состояние, характеризующееся уменьшением в единице объема крови содержания гемоглобина (НЬ) и (или) количества эритроцитов, нередко сопровождающееся их качественными изменениями. Это в большинстве случаев симптомокомплекс, наблюдающийся при различных заболеваниях, иногда являющийся основным, центральным проявлением болезни. При анемии страдает основная функция эритроцитов - перенос кислорода к тканям организма, что вызывает нарушение окислительных процессов и развитие гипоксии. Больше всего гипоксия отражается на функциях центральной нервной системы и сердца: развивается быстрая утомляемость, слабость, головокружение, ухудшение памяти, дистрофия миокарда. Наиболее признанной является классификация анемий по этиопатогене-тическому принципу (по М.П. Кончаловскому, И.А. Кассирскому, Г.А. Алексееву) [60]. Согласно этой классификации все анемии делятся на следующие группы. 1. Анемии вследствие кровопотерь (постгеморрагические): А) Острые. Б) Хронические. 2. Анемии вследствие нарушенного кровеобразования: A) Железодефицитные, Б) Железонасыщенные (сидероахрестические или сидеробластные). B) В12 (фолиево- ) - дефицитные. Г) В12 - ахрестические. Д) Гипо- и апластические. Е) Метапластические. 3. Анемии вследствие усиленного кроворазрушения (гемолитические): А) Наследственные (эритроцитопатии, энзимопатии, гемоглобинопатии). Б) Приобретенные: связанные с воздействием антител, прямых гемолизинов и других повреждающих факторов. Существуют также классификации анемий; - по цветовому показателю: нормо-, гипер- и гипохромные; - по размеру эритроцитов: нормо-, макро- и микроцитарные; - по типу кроветворения: нормо- и мегалобластические; - по способности костного мозга к кроветворению: регенераторные (ЦП = 1) - с повышенным эритропоэзом; аре генераторные (ЦП = 0,2 и ниже) - с временным или полным подавлением эритропоэза, гипорегенераторные (ЦП = 0,5 и ниже), гиперрегенераторные (ЦП = 1,5 и выше). Таким образом, при классификации эритроцитарпых нарушений используют два подхода: морфологический, основанный на эритроцитарных индексах, и физиологический, базирующийся на данных о количестве ретикулоцитов. Предпочтение отдается морфологической классификации, которая является точной и простой, поскольку основывается на данных автоматизированного анализа крови. Однако эта классификация относит нарушения эритроцитов к той или иной группе без учета их физиологической основы. Что, например, общего у таких различных заболеваний, как железодефицитное состояние, фрагментация эритроцитов и тапассемии, кроме низкого значения среднего объема эритроцита (MCV)? И наоборот, физиологическая классификация основывается на четких различиях в выработке эритроцитов: снижении или повышении. Следует отметить, однако, что воспроизводимость метода подсчета ретикулоцитов довольно низка. Этот подсчет не осуществляется в процессе автоматизированного анализа крови. Поэтому подсчет ретикулоцитов следует рассматривать скорее как вторичный, а не первичный тест при анализе крови. Современные методы исследования в гематологии проводятся в следующих направлениях: 1) общеклиническое исследование крови; 2) пункцио-нальная диагностика (пункция грудины, лимфатических узлов, печени и селезенки); 3) гистохимические, иммунохимические, иммуногематологические и ферментологические исследования; 4) радиоизотопные исследования; 5) биопсия лимфатического узла и трепанобиопсия подвздошной кости. Анализ периферической крови включает определение НЬ, количества эритроцитов и цветового показателя; подсчет количества лейкоцитов и лейкоцитарной формулы, количество ретикулоцитов и тромбоцитов, определение скорости оседания эритроцитов (СОЭ) и некоторых других показателей. Хотя существует много методов определения НЬ, наиболее простыми и общедоступными являются колориметрические, а из них более точным — циан метгемогл оби но вый фотометрический метод. НЬ указывается в граммах на 100 мл крови (в г%) и в условных единицах. Подсчет эритроцитов и лейкоцитов производится в счетной камере Го-ряева. Но этот метод трудоемкий и требует значительной затраты времени. Более удобен и точен фотометрический метод, производительность которого составляет 1 анализ в 1 мин. Принцип его основан на фотометрическом измерении степени поглощения света взвесью эритроцитов. Оказывается, что степень поглощения света прямо пропорциональна числу последних. Окраску мазков для подсчета лейкограммы производят по Романовскому с предварительной фиксацией их в метиловом спирте. Однако при окраске по Романовскому четко выявляется лишь структура ядра, тогда как зернистость в цитоплазме не всегда ясно дифференцируется. Поэтому для окраски препаратов патологической крови и костного мозга лучше пользоваться комбинированным способом по Паппенгейму (сначала краской Мая — Грюнвальда с последующим докрашиванием краской Романовского — Гимзы). В этом случае фиксация мазков не требуется, так как краску Мая — Грюнвальда готовят на метиловом алкоголе. Тромбоциты подсчитывают по методу Фонио — в окрашенном мазке или в счетной камере. Этот метод имеет серьезный недостаток: не учитываются количественные соотношения крови и раствора сернокислой магнезии, что приводит к значительным колебаниям числа тромбоцитов как в норме (120000—400000), так и при различных патологических состояниях.
Выбор схемы принятия решений по дифференциальной диагностике анемий и их стадий
Различают различные способы классификации анемий, основные из которых описаны в разделе 1.1. В классификаторе МКБ - 10 анемии разбиты на три класса, в каждый из которых входит более двадцати подклассов. В разрабатываемой нами автоматизированной системе основными диагностическими признаками являются данные автоматизированного анализа крови, поэтому на начальном этапе классификации используем эритроцитарные индексы, представленные в табл.3.1 [60]. Схема алгоритма управления классификацией анемий по пяти классам, представленным в табл. ЗА, приведена на рис.3.1. Расчет эритроцитарных индексов ведется в блоке 2. Так как по данным автоматизированного анализа крови может проводиться как скрининговая диагностика, так и классификация анемий, то на первом этапе в блоке 2 выбирается режим работы автоматизированной системы: скрининг или классификация и дифференциальной диагностикой. При работе в режиме классификации и дифференцирования в блоке 4 происходит переход от четких значений эритроцитарных индексов к их функциям принадлежностей. Так как границы норма-патология у эритроцитарных индексов не однозначна, то в алгоритме управления введена возможность коррекции функций принадлежностей по возрасту, полу и национальности (блоки 5, 6 и 7). В результате работа блока 4 на входе блока 8 имеем нечеткий пятиэле-ментный вектор (pi(y), U2(MCV), р.3(МСН), 4(D3), u5(RDW)}. Этот вектор последовательно преобразуется в пять скалярных величин путем взаимодействия с пятью операторами (хромосомами) в блоке 9, согласно методике, описанной в разделе 2.1. В результате такого взаимодействия на входе блока 10 имеем пять чисел, отражающих значение коэффициентов уверенности по пяти видам анемий: КУгЯЧр,(у), Ц2(МСУ), U3(MCH), МРЭ), u5(RDW)}, (3.1) где і- класс анемий, R -оператор, соответствующий хромосоме і-го класса. В блоке 10 осуществляется поиск і, соответствующего максимальному значению КУ,-. Блок 11 передает управление в зависимости от определенного значения . Если і=3, то есть имеет место предположение о постгеморагической анемии, то выявляются клинические проявления кровопотери и при их наличии ставится диагноз постгеморагической анемии. При отсутствии клинических проявлений либо уточняют данные лабораторного анализа, либо прекращают работать с системой автоматизированной классификации и, при необходимости, с целью уточнения диагноза анализируют данные по другим система: костный мозг, биохимический анализ, инструментальные исследования. Анемия, особенно ее наиболее распространенные формы - железодефи-цитная и пернициозная, довольно распространенны (до 20 %). Поэтому основания для скрининга убедительны. С другой стороны, для проведения скрининга необходимы четкие критерии диагностики данного заболевания, необходима соответствующая стратегия в отношении пограничных результатов, необходимо наличие положительного эффекта в результате ранней диагностики данного заболевания и, наконец, наличие удовлетворительных диагностических тестов, обладающих соответствующей воспроизводимостью и доступностью. Этим требованиям скрининга анемия не удовлетворяет. Тем не менее, в связи с многообразием классов и подклассов анемий целесообразно оценить вероятность наличия анемии из некоторой достаточно крупной группы. Это позволит сократить экономические затраты как на диагностику, так и на лечение, так как некоторые тесты на анемию не безопасны для здоровья. При классификации анемий используют два подхода: морфологический, основанный на эритроцитарных индексах, и физиологический, базирующийся на данных о количестве ретилукотоцитов. Поскольку в автоматизированной системе данными являются данные автоматизированного анализа крови, то предпочтение отдаем морфологической классификации. Одновременное применение показателей MCV и RDW позволяет выработать более полную классификацию нарушений эритроцитов и использовать морфологические критерии для выявления функциональных различий. В табл. 3.2 перечислены некоторые патологические состояния, которые различаются значениями MCV (высокое, нормальное или низкое) и RDW (высокое или нормальное). СКГЭ не является важным критерием классификации, и поэтому традиционные термины «нормохромный» и «гипохромный» малопригодны. Гораздо информативней термины «гомогенный» и «гетерогенный», соответствующие нормальному или увеличенному показателю RDW [16].
Исследование и разработка алгоритма управления процессом диагностики анемий
Характерной особенностью анемий является то, что в доступном для наблюдения пространстве признаков диагностические классы имеют достаточно сильное пересечение с нечетко выраженными границами, а сами признаки сгруппированы в подсистемы разнородных признаков, характеризующих функциональное состояние различных подсистем организма. Характер признаков таков, что их следует определять с использованием теории нечетких множеств, что связано как с возможными грубыми ошибками при их измерении, так и с высокой их динамичностью, не связанной с диагностируемой нозологией. Каждому такому признаку может быть поставлена в соответствие функция принадлежности, которая характеризует экспертную уверенность наличия заболевания, связанную с конкретным значением данного признака. Для перехода к нечеткой логики принятия решений в каждой из подсистем признаков четкий вектор состояния объекта классификации повергается фуззификации (размыванию) с помощью функций принадлежностей. Так как в каждой подсистеме признаковых пространств выделить надежно разделимые кластеры или классы не представляется возможным, то то нам необходимо решить задачу агрегации частных решающих правил в направлении увеличения качества классификации по мере присоединения новых признаков или при наблюдении результатов классификации, полученным по разным подпространствам. Таким образом, приходим к двухуровневой системе принятия решений. Схема принятия решений такого типа приведена на рис.2 Л. Выбранная структура системы включает два блока нечеткого вывода первого и второго уровня. На первом уровне решаются задачи фуззификации и агрегирования по выделенным N подпространствам признаков (блок нечеткого вывода первого уровня), а на втором уровне задачи агрегации частных решающих правил по заданным М классам заболеваний и/или их стадий (блок нечеткого вывода второго уровня). При решении задач фуззификации первого уровня строятся функции принадлежностей с носителями по признакам исходного пространства, например, с помощью известных методов, рассмотренных в первой главе. Для получения частных решающих правил первого уровня нами разработаня специальные рекомендации, учитывающие структуру данных в многомерных подпространствах и свойства агрегируемых правил. Для решения задач агрегации второго уровня с оптимальной структурой относительно выбранного класса заболеваний нами предложено использовать алгоритмы генетического типа. Такое архитектурное решение оправдано тем, что используемые при диагностике анемий признаки не образуют бимодального распределения, а границы классов, полученные на первом уровне, весьма размыты. Для получения оптимальной структуры дефуззификатора второго уровня воспользуемся алгоритмом эволюционного типа Известно, что при решении задач с плохо формализуемой структурой классов и нечетким и неполным представлением некоторых признаков предпочтение следует отдавать двум подходам, принятым в теории принятия решений: на основе теории нечеткой логики принятия решений; на основе аппарата, обеспечивающего изучение структуры классов с выдвижением гипотез о наилучших классификаторах в ходе вычислительного эксперимента (диалоговые системы распознавания образов). Каждый из этих подходов обладает определенными достоинствами, но при решении практических задач они используются раздельно, что снижает потенциально достижимые возможности проектируемых классификаторов. В предлагаемом варианте синтез систем нечетких решающих правил первого уровня производится в два этапа. На первом этапе производится разведочный анализ, позволяющий изучить геометрическую структуру классов в пространстве информативных признаков, имея в виду под структурой взаимоположение объектов различных классов на обучающей выборке. На втором этапе под известную структуру классов и типы признаков выбираются носители и параметры частных функций принадлежностей, решающих задачи классификации по подпространствам и областям исходного пространства признаков. При этом выбор осуществляется с таким расчетом, чтобы при заданной сложности классификатора каждая частная функция принадлежности на каждом технологическом шаге принятия решений обеспечивала максимально возможную уверенность классификации или прогнозирования. Для проведения разведочного анализа с целью изучения структуры исследуемых классов нами был использован специальный пакет прикладных программ, разработанный на кафедре биомедицинской инженерии КурскГТУ, решающий следующие задачи: выделение характерных точек обучающей выборки (многомерных центров классов и выделяемых объектов, групп наиболее близких и наиболее далеких объектов между парами различных классов, казуистических и артефактных объектов); расчет расстояния между характерными точками и между всеми заданными точками, как внутри своего класса, так и до точек чужого класса; различные методы отображения многомерных данных в двумерные пространства с сохранением выбираемых структурных свойств исследуемых объектов (сохранение близких расстояний, сохранение далеких расстояний, сохранение структур задаваемых ядер и т.д.); построение гистограмм распределений объектов исследуемых классов на координатах признаков (признаковые гистограммы); построение гистограмм распределения объектов исследуемых классов по шкалам, определяемым как меры близости до эталонных многомерных структур (точек, гиперплоскостей, гиперкубов, гиперсфер и т.д.) (дистальные гистограммы); определение исходных координат объектов по выбираемым участкам гистограмм и областям отображающих пространств; определение группировок объектов в многомерном пространстве признаков; определение областей пересечения различных классов в исходном пространстве с описанием структурных особенностей этих областей.
Объект, методы и средства исследования
В соответствии с поставленными целью и задачами в качестве объекта исследования выбраны пациенты Областной клинической больницы г. Курска. Верификацию диагноза больных в обучающих выборках проводили рутинными методами, используемыми в гематологической практике. В протокол исследования больных ЖДА входили мероприятия, направленные на выявления источника кровопотери: рентгенологическое, эндоскопическое и ангиографическое исследование желудочно-кишечного тракта, исследование мочи и мокроты на наличие гемоседерина. Диагноз ЖДА устанавливался при наличии гипохромной анемии с лабораторными доказательствами дефицита железа: снижение уровня сывороточного железа, повышение общей железосвязывающей способности сыворотки, снижения насыщения тренсферрина железом и уровня ферритина.
У больных В 12-дефицитной анемией диагноз устанавливался на основе выявления мегалобластного кроветворения. Терапия витамином В]2 давала отчетливый терапевтический эффект.
Диагноз апластической анемии ставился на основании панцитопении и аплазии кроветворения, по данным исследования трепанобиоптата.
Учитывая сложность и динамичность исследуемых объектов, неполноту и нечеткость представления исходных данных в качестве основного математического аппарата была выбрана теория нечетких множеств с привлечением высококвалифицированных экспертов, условия отбора которых приведены в последующих разделах.
Исследования структуры распределения типов анемий, проведенные в гематологическом отделении Курской областной клинической больницы, показали, что большая часть госпитализированных больных страдает Вп(фолиево) - дефицитной анемией. Учитывая литературные данные по статистике анемий, приведенные в первом разделе, можем сделать заключение, что для рассматриваемого региона наиболее актуальна диагностика железодефицитных и Ві2(фолиево) - дефицитных анемий. Поэтому апробацию автоматизированной системы было решено проводить на диагностике именно этих типов анемий. Результаты статистических исследований по частости анемий приведены в табл.4.1.
Анализ данных, приведенных в табл.4.1, показывает, что за последние 10 лет число госпитализируемых больных с этим диагнозом по Курской области увеличилось почти в 2,5 раза. Причем в области не было существенных демографических сдвигов в течение наблюдаемого периода. Для того, чтобы более наглядно показать эту ситуацию, на рис. 4.1 показаны диаграммы, отражающие тенденцию роста заболеваниями анемиями за последние 10 лет. Представленные диаграммы показывают, что прирост госпитализируемых с данным заболеванием обусловлен в основном Ві2(фолиево) - дефицитными анемиями.
Для получения эритроцитарных индексов использовался гематологический анализатор Коултера, который работает в составе автоматизированной системы.
Отличительной особенностью автоматизированной системы поддержки принятия решений врача-гематолога (СППР-Г) является необходимость её взаимодействия с гемоанализаторами и, желательно, с видеосистемами, позволяющими через микроскоп наблюдать за структурой крови, включая структуру её клеток.
Кроме проведения стандартных расчётов с определением таких показателей, как средний объём клеток (СОК), среднее содержание гемоглобина (ССГ), средняя концентрация гемоглобина (СКГ), девиация объёма эритроцитов (RDV), в предлагаемом варианте СППР-Г решаются задачи прогнозирования возникновения заболеваний крови, в частности, различных типов анемии, постановки диагноза заболевания крови с определением стадий и степени тяжести заболеваний, оцифровки и обработки видеоизображений проб крови в различных масштабах обзора.
В качестве основного математического аппарата, используемого при построении правил диагностики и прогноза заболеваний крови, выбран аппарат теории нечетких множеств.
Обобщённая структура программно - технического комплекса, обеспечивающего работу СППР-Г, приведена на рис.4.2.
Опрос и осмотр пациента, а также определение необходимых для лечения лабораторных и инструментальных методов исследования, осуществляется врачом. Непосредственно с СППР-Г связаны гематологический анализатор (ГА) и микроскоп с видеосканером, которые подключаются к ПЭВМ через модуль сопряжения с объектом (МСО), реализующий требуемые протоколы обмена. Для включения в работу этих блоков у пациента берётся проба крови и размещается в камере ГА и на предметном столике микроскопа. Данные, рассчитываемые ГА, и элементы видеоизображения, драйверами связи передаются в блок расчета стандартных показателей (БРСП) и в видеофайл (ВФ). В БРСП рассчитываются показатели СОК = 10 ГМК/ЭРЦ; ССГ = 10 Нв/ЭРЦ; СКГ = 100 Нв/ГМК и RDV как мера ширины статистического распределения клеток по величинам их объёмов.
В приведённых выражениях ГМК — гемокрит, определяемый отношением объёма всех форменных элементов крови к суммарному объёму образца крови, ЭРЦ — количество эритроцитов в микролитре крови, ИЬ — содержание эритроцитов в граммах на децилитр.
