Содержание к диссертации
Введение
ГЛАВА 1. Аналитический обзор. цели и задачи исследования 10
1.1. Методы и алгоритмы, используемые в медицинских лечебно-диагностических системах 10
1.2. Обзор систем поддержки принятия решений по управлению лечебно-диагностическим процессом 23
1.3. Постановка задач исследования 36
ГЛАВА 2. Разработка полифункциональной системы поддержки принятия решений для поликлинического врача-терапевта 39
2.1. Алгоритм ведения пациента в условиях поликлиники 39
2.2. Информационно-логическая модель управления лечебно-диагностическим процессом в амбулаторных условиях 45
2.3. Структура системы интеллектуальной поддержки управления лечебно- диагностическим процессом для поликлинического врача-терапевта 53
2.4. Выводы по второй главе 60
ГЛАВА 3. Информационное и математическое обеспечение системы поддержки принятия решений 62
3.1. Алгоритм синтеза решающих модулей системы поддержки принятия решений 62
3.2. Алгоритм управления решающими модулями 71
3.3. Синтез нечетких решающих правил с определением меры доверия к принимаемым решениям 74
3.4. Выводы по третьей главе 88
ГЛАВА 4. Результаты экспериментальных исследований 90
4.1. Выбор списка задач для поликлинической системы поддержки принятия решений врача-терапевта 90
4.2. Диагностика синдрома острой головной боли 95
4.3. Дифференциальная диагностика гематурии 101
4.4. Выбор диагностических гипотез при дифференциальной диагностике спленомегалии 105
4.5. Диагностика синдрома гинекомастии 107
4.6. Дифференциальная диагностика отеков 110
4.7. Диагностика синдрома лихорадки 112
4.8. Описание пакета прикладных программ 126
4.9. Выводы по четвертой главе 130
Заключение 132
Библиографический список 134
- Методы и алгоритмы, используемые в медицинских лечебно-диагностических системах
- Информационно-логическая модель управления лечебно-диагностическим процессом в амбулаторных условиях
- Алгоритм синтеза решающих модулей системы поддержки принятия решений
- Выбор списка задач для поликлинической системы поддержки принятия решений врача-терапевта
Введение к работе
Актуальность работы
В настоящее время в нашей стране и за рубежом накоплен значительный опыт разработки и применения средств вычислительной техники и математических методов для решения задач теоретической и практической медицины. На начальных этапах работ в этом направлении основное внимание уделялось разработке методов и моделей, позволяющих углублено исследовать патологические процессы на уровне отдельных органов и систем организма.
Современный уровень развития вычислительной техники делает возможным создание информационных продуктов нового поколения - автоматизированных медицинских информационных технологий, предлагающих те или иные научно-обоснованные врачебные решения в зависимости от особенностей клинической ситуации, складывающейся на каждом конкретном этапе ведения больного. Такие системы, выступающие в качестве полноправных участников медицинского технологического процесса, в состоянии обеспечить недостижимые для обычных клинических рекомендаций сочетание широты охвата решаемых проблем и детальности их проработки.
Перспективность проектов подобного рода не вызывает сомнений, однако их практическая реализация достаточно сложна.
Работами Устинова А.Г., Попова Э.В., Попечителева Е.П., Пятаковича Ф.А., Подвального Е.С., Переверзева-Орлова B.C., Д.Уотермана, Л.Шортлифа, Р.Девитса и др., было показано, что при решении сложных задач автоматизированной диагностики заболеваний, хороших результатов удается достичь при использовании интерактивных систем, когда в контуре диагностики и управления активно функционирует лицо, принимающее решение (ЛПР), обладающее соответствующим запасом знаний, умений и навыков в медицинской предметной области.
Одним из важнейших звеньев в работе современных медицинских учреждений является терапевтическая служба, на долю которой приходится основной поток пациентов и от качества работы которой во многом зависит качество медицинского обслуживания населения в целом.
Известно достаточно большое количество автоматизированных диагностических систем решающих различные задачи диагностики.
Например, система МОДИС предназначена для анализа гипертонии, система КОНСУЛЬТАНТ-2 - для диагностики острых заболеваний брюшной полости, ЛЕДИ-2 - для выявления заболеваний терапевтического профиля и т.д.
В настоящее время появилась целая серия медицинских достаточно универсальных экспертных оболочек типа INTERNIST, ТАИС, ENMYCIN и др.
При этом следует иметь в виду, что как специализированные системы, так и универсальные оболочки требуют приведения решающих правил к стандартному виду, например, правилу продукций, фреймам и т.д., и для каждой предметной области необходимо осуществить поиск решающих правил, что составляет основную работу при построении соответствующих экспертных систем.
Анализ условий, в которых должна функционировать автоматизированная система диагностики заболеваний (ограничения на время принятия решений, неоднородность структуры классов, разнотипность представления признаков и классов, неопределенность в представлении данных и диагностических заключениях), позволил сделать вывод о том, что существующие системы в полной мере не обеспечивают выполнение этих требований.
Таким образом, дальнейшие исследования в области проектирования медицинских систем поддержки принятия решений работающих с заданным качеством в условиях реальных ограничений на время принятия решений; полноту и неопределенность исходной информации является актуальной научной задачей.
Работа выполнена в соответствии с научно- технической программой «Научные исследования высшей школы по приоритетным направлениям науки и техники». Подпрограмма 204 - «Технология живых систем».
Цели и задачи исследования
Целью диссертации является повышение качества работы лечебно-профилактических учреждений путем разработки основных элементов автоматизированной информационно-аналитической системы, обеспечивающей интеллектуальную поддержку поликлинического врача-терапевта в условиях ограничений на время принятия решений, неопределенности и неполноты представления данных и различной структуры классов.
Для достижения поставленной цели необходимо решить следующие задачи: разработать информационно-логическую модель ведения пациента врачом терапевтом в условиях поликлиники; разработать структуру системы интеллектуальной поддержки поликлинического врача-терапевта; определить список нозологии для поликлинической системы поддержки принятия решений врача терапевта в условиях ограничений на степень уверенности в диагнозе и время принятия решений; разработать методы синтеза нечетких логических решающих правил с определением меры доверия к принимаемым решениям; синтезировать набор решающих правил для интеллектуальной поддержки принятия решений врачом терапевтом.
Методы исследования
Для решения поставленных задач в работе использованы методы системного анализа, теории управления, теории распознавания образов, прикладной статистики, моделирования, теории нечетких множеств, методы экспертного оценивания, а так же общепринятые методики клинического и лабораторного обследования.
Научная новизна
В диссертации получены следующие результаты, характеризующиеся научной новизной: алгоритм ведения пациента врачом-терапевтом и информационно-логическая модель управления лечебно-диагностическим процессом в амбулаторных условиях, учитывающие все этапы работы с пациентом в условиях автоматизированной поликлиники и позволяющие рационально использовать интеллектуальные и временные ресурсы врачей различной квалификации; структура системы поддержки принятия решений для поликлинического врача-терапевта, отличающаяся использованием унифицированного решающего модуля в узлах сетевой модели принятия решений и обеспечивающая реализацию интеллектуальной поддержки принятия решений врачом-терапевтом в условиях ограничений на время принятия решений, неопределенности и неполноты представления данных и различной структуры классов; алгоритмы синтеза решающих модулей и управления ими, позволяющие настраивать систему на рациональное управление лечебно-диагностическим процессом в зависимости от типа решаемых задач, состояния объекта управления и внутреннего состояния решающих модулей; метод синтеза нечетких решающих правил, позволяющий получать правила принятия решений в условиях неполного представления исходных данных при разнородной структуре классов и при использовании различных типов решающих правил, обеспечивающий расчет уверенности в принятии решений с заданным качеством; решающие правила для диагностики синдрома острой головной боли, дифференциальной диагностики гематурии, дифференциальной диагностики счленомегалии, синдрома гинекомастии, дифференциальной диагностики отеков, синдрома лихорадки, включая системную красную волчанку, системную склеродермию, узелковый периартериит, ревматоидный артрит и дерматомио- зит, обеспечивающие заданное качество классификации в условиях ограничений на время принятия решений и количество исходных признаков. Практическая значимость и результаты внедрения работы
Разработанные методы и средства составили основу соответствующей автоматизированной системы, клинические испытания которой показали ее высокую диагностическую эффективность.
Применение предложенных в диссертации разработок позволили сократить время принятия решений и повысить достоверность диагностики, приблизив машинную логику принятия решений к врачебной логике.
Результаты работы переданы в опытную эксплуатацию в медицинские учреждения г. Курска и используются в учебном процессе кафедры биомедицинской инженерии Курского государственного технического университета и биотехнологического факультета Курского государственного медицинского университета.
Апробация
Результаты работы докладывались и обсуждались на IV международной научно-технической конференции «Медико-экологические информационные технологии-2001» (Курск, 2001), V международная научно-техническая конференция «Медико-экологические информационные технологии-2002» (Курск, 2002) VI международная научно-техническая конференция «Медико-экологические информационные технологии-2003» (Курск, 2003), IX Российской научно-технической конференции «Материалы и упрочняющие технологии 2001» (Курск, 2001), 67-й Межвузовской конференции студентов и молодых учёных (Курск, 2002)
Публикации
Самостоятельно и в соавторстве по теме диссертации опубликовано 10 печатных работ.
Структура и объем работы
Диссертация состоит из введения, четырех глав, заключения, библиографического списка, включающего 122 наименования.
Работа изложена на 146 страницах машинописного текста, содержит 17 рисунков и 3 таблицы.
Во введении обосновывается актуальность работы, представляются основные научные результаты и практическая значимость работы, определяются цели и задачи исследования, кратко излагается содержание глав диссертации.
В первой главе кратко характеризуется состояние проблемы в области автоматизации медицинской диагностики, показывается, что для построения автоматизированной поликлинической системы поддержки принятия решений врача терапевта целесообразно использовать методологию проектирования экспертных систем.
В заключении главы на основании анализа существующих проблем определяются пути достижения поставленной цели и соответствующие задачи исследования.
Во второй главе рассматриваются вопросы разработки структуры полифункциональной системы поддержки принятия решений с сетевой конфигурацией, реализуемой на унифицируемых решающих модулях, использующих различные типы решающих правил.
В третьей главе реализуется информационное и математическое обеспечение системы поддержки принятия решений по управлению лечебно-диагностическим процессом. Предлагаются алгоритмы синтеза решающих правил решающих модулей и алгоритмы управления этими модулями. Рассматриваются вопросы синтеза нечетких решающих правил для различных типов правил принятия решений.
В четвертой главе рассматриваются результаты экспериментальных исследований и синтезируются новые решающие правила для диагностики различных заболеваний, входящих в компетенцию врача-терапевта типовой поликлиники.
Методы и алгоритмы, используемые в медицинских лечебно-диагностических системах
В настоящее время, как за рубежом, так и у нас в стране всё большее развитие приобретают автоматизированные системы, ориентированные на применение в поликлинической практике, которые преследуют цель повысить эффективность и качество оказания медицинской помощи пациентам за счет тех возможностей, которые обеспечивает компьютер в осуществлении сбора, обработки, хранения, представления и использования медицинской информации, необходимой для адекватного решения лечебно-диагностических задач.
На практике убедительно продемонстрирована целесообразность использования компьютера в профессиональной деятельности врача любой специальности. Персональный компьютер, программное и аппаратное обеспечение которого предназначены для использования медицинским работником, при реализации его должностных обязанностей, в ходе медицинского технологического процесса - называют автоматизированным рабочим местом (АРМ) или системой поддержки принятия решений (СППР) [1, 29].
Специфика деятельности врача, зависящая от его специальности, и круг решаемых задач, определяемых его местом в общей структуре лечебно-диагностического процесса, определяют структуру технического, программно-математического, информационного и организационного обеспечения соответствующего АРМа (СППР).
Компьютерная поддержка врачебной деятельности, которая может быть применена на всех этапах лечебно-диагностического процесса, вносит в медицинский технологический процесс новые черты. Врач во многом освобождается от рутинной деятельности и у него появляется возможность больше времени уделить решению тех задач, где необходим творческий подход, проявление интуиции и эрудиции. Появляется возможность решать более сложные лечебно-диагностические задачи за счет более глубокого анализа клинической информации, требующей использования сложных алгоритмов, путем вовлечения в этот процесс больших объемов информации, включающей и справочные данные. Компьютерные программы позволяют осуществлять контроль информации, поступающей из различных источников, что повышает ее точность и достоверность и, в конечном итоге, ведет к повышению эффективности принимаемых решений.
Эффективность использования ЭВМ для поддержки врачебной деятельности, в настоящее время, полностью связана с глубиной проработки алгоритмов, предназначенных для решения соответствующих задач. Как правило, разработка таких алгоритмов и их практическая реализация требует, наряду с медиками, и участия других специалистов (математиков, инженеров-кэгнитологов, программистов и др.), владеющих методами анализа и обработки информации, необходимыми для решения медицинских задач.
Основу программного обеспечения АРМов (СПГТР) ориентированных на поддержку принятия решений врачами специалистами составляют диагностические и прогностические алгоритмы и алгоритмы планирования процессов лечения. Значительная часть этого программного обеспечения базируется на методологии экспертных систем с привлечением элементов теории распознавания образов. Решение большого количества задач диагностики состояния здоровья человека может осуществляться известными методами теории распознавания образов в ее геометрической интерпретации, когда объекты, характеризующиеся различными наборами признаков X=(xj, х2,...,хп) представляются как точки (вектора) многомерного пространства признаков N. Разделение классов осуществляется с помощью полученных на этапе обучения разделяющих гиперповерхностей [6, 18, 21, 23, 26, 114, 115]. В настоящее время в практических приложениях, в том числе и в медицинских, используется достаточно большое количество различных методов распознавания образов, причем известно, что большинство из них "хорошо" работают, если структура классификационных данных удовлетворяет ограничениям, присущим соответствующим математическим моделям [8, 9, 23, 26, 50, 87]. Здесь под структурой данных (классов) понимается конфигурация точек-объектов в пространстве признаков, подчеркивая тем самым, что через нее отображаются основные взаимоотношения между исследуемыми объектами [50]. Чтобы решить вопрос о выборе того или иного известного метода распознавания образов для решения конкретной диагностической задачи (класса задач) требуются хотя бы предварительные сведения о структуре классов решаемой задачи [8, 36, 50, 93, 116].
В работе [66] предлагается методика выбора решающих правил для различных структур классов и типов признаков.
Проблема выбора типа решающих правил для решения конкретной задачи распознавания и, в частности, для решения задач медицинской диагностики не является тривиальной и зависит от совокупности разных факторов: от типа и характера измерительных шкал, геометрической структуры многомерных данных, объема обучающего материала, возможности иметь точные указания учителя для обучающей выборки и т.д. [6, 42, 73].
В медицинской практике большой процент диагностических задач формируется так, что для получения требуемого результата используются эмпирические (эвристические) правила. Такая ситуация характерна, в основном, для описательных наук (к которым относятся медицинские науки), в которых для получения результата используются обычно не вычисления, а последовательность рассуждений. Результат при этом представляется в виде некоторого суждения, устанавливающего принадлежность объекта к соответствующему классу. В качестве решающих правил в этой ситуации применяют правила четкого или нечеткого логического вывода, получаемые на основе литературных данных, отражающих обобщенный многолетний врачебный опыт, или опросом квалифицированных экспертов [1, 37, 54]. В результате обычно строится иерархическая древовидная структура, "корнем" которой является наименование нозологической формы, а конечными элементами - признаки болезни, значения которых выявляются при обследовании пациента различными способами (опрос, осмотр, лабораторные исследования и т.д.). Подробно механизм получения логических решающих правил для задач медицинской диагностики изложен в работе [1].
Информационно-логическая модель управления лечебно-диагностическим процессом в амбулаторных условиях
При проектировании систем поддержки принятия решений по управлению лечебно-диагностическим процессом необходимо учитывать особенности работы врача с пациентом в условиях автоматизированного ведения больного.
На основании собственных исследований и результатов совместной работы инженеров по знаниям и медицинских экспертов было установлено, что система поддержки принятия решений поликлинического врача-терапевта должна реализовать четыре основных режима: диагностического, эпидемиологического и профилактического обследования, а так же режим проведения лечебно-оздоровительных мероприятий.
На первом этапе последовательно производится общий осмотр и опрос пациента по формализованным опросникам, на основании чего врачом формируется предварительный диагноз. Относительно предварительного диагноза формируются рекомендации по схемам обследования больного с привлечением данных доврачебного контроля, лабораторных, функциональных и инструментальных методов обследования, а так же при использовании рекомендаций, получаемых от других специалистов и, возможно, из других ЛПУ. На основании полученных данных формируется либо заключительный диагноз, либо производится дообследование с целью получения заключительного диагноза. На этом этапе могут использоваться данные динамического контроля за состоянием пациента. По уточненному диагнозу формируются назначения с учетом противопоказаний. На этапе обследования осуществляется автоматизированный контроль за полнотой и своевременностью обследования пациента всеми службами данного ЛПУ и другими ЛПУ. На этапе назначений может осуществляться автоматизированный контроль за выполнением пациентом назначений и контроль качества лечения.
Основной функцией системы поддержки принятия решений (СППР) является удовлетворение запросов пациента на обслуживание в соответствии с перечнем целей посещения. В качестве основных целей посещения выделяются следующие: а) обращение по заболеванию; б) обращение по профилактике; в) осмотры для получения справок и других мед. документов, включая: - осмотр с целью повторного переосвидетельствования; - осмотр с целью освидетельствования для транспортной ВТЭК; - осмотр с целью получения справки на диетпитание; - осмотр с целью получения справки в дом отдыха; - осмотр с целью выписки рецептов; - осмотр с целью выписки из амбулаторной карты; - осмотр с целью направления на консультацию; - осмотр с целью возможности оперативного вмешательства; - осмотр с целью оформления в интернат; - осмотр с целью направления на санкурортное лечение; - осмотр с целью получения справки для трудоустройства; - осмотр с целью выдачи справки о состоянии здоровья; Для разработки СППР схему ведения пациента врачом-терапевтом удобно представить в виде соответствующей блок-схемы алгоритма, представленной на рис.2.1. Рис. 2.1. Алгоритм ведения пациента в СППР (продолжение) 43 При обращении пациента по поводу диагностического обследования (блок 1) на первом этапе производится проведение опроса по жалобам пациента. Опрос может производиться по формализованным справочникам, для чего в памяти ЭВМ имеются два вида справочников. Общий формализованный (достаточно подробный) (блоки 5, 6), обычно применяемый при первичном обращении и сокращенные опросники, связанные с подозреваемым диагнозом, обычно применяемые при вторичных посещениях (блок 7). Право выбора справочника определяется врачом. На основе данных опроса, осмотра и результатов доврачебного контроля врач самостоятельно или по рекомендации ЭВМ ставит предварительный диагноз (блок 8). При использовании режима автоматизированной поддержки принятия решения по уточнению диагноза ЭВМ предлагает врачу трассу диагностического обследования, включая указание на ведущие и вспомогательные симптомокомплексы и требуемый перечень лабораторных функциональных и инструментальных методов исследований и при необходимости определяет круг специалистов и других ЛПУ для консультаций (блок 9). После сбора полученной информации врач оценивает полученные данные и самостоятельно или по рекомендации ЭВМ принимаетрешение об уточнении диагноза. При этом предварительный диагноз может быть принят, отвергнут или принято решение по проведению дообследования, и (или) динамического слежения за рядом признаков, характеризующих состояние здоровья человека (блок 10). Принятие предварительного и заключительного диагнозов поддерживается сокращенным справочником ВОЗ. Дополнительно к коду заболевания может быть определена дополнительная уточняющая информация (блок 11) по особенностям заболевания и их исходам. Особенности заболевания. По особенностям течения: острое, подострое, хроническое, рецидивирующее, затяжное, прогрессирующее, ремиссия. По степени поражения: - легкая, средняя, тяжелая. По состоянию: - удовлетворительное, средней тяжести, тяжелое, критическое. Исход заболевания: - выздоровление, переход в хроническую форму, частичная утрата трудоспособности (больничный лист, инвалид 3-й группы, полная утрата работоспособности (инвалид 1 -ой - 2-ой группы), смерть. Ряд исходов заболевания требует выдачи соответствующих справок, формы и форматы которых определены в соответствующих разделах базы данных электронной медицинской карты (ЭМК). При выборе режима динамического слежения за состоянием больного указывается имя параметра динамического слежения с указанием количества повторных измерений (исследований) и периоды получения результатов (блоки 21,22). Для автоматизированной поддержки принятия решений по лечебно-оздоровительным и профилактическим мероприятиям (блок 16) в системе может быть предусмотрен справочник связей нозологии с рекомендациями и лечебно-профилактическими назначениями. Причем эти справочники разделены на три группы: 1. По типовой схеме данной нозологии. 2. Индивидуальный выбор назначений. 3. Произвольный набор по желанию врача. В зависимости от результатов лечебно-диагностического процесса врач принимает решение о дальнейшем ведении больного (блоки 17-23): окончание ведения больного по заданному заболеванию с формированием эпикриза; назначение на повторное посещение, сопровождающееся определением даты следующего посещения; перевод на диспансерное наблюдение, осуществляющееся для определенного перечня нозологии.
Для реализации автоматизированной поддержки ведения диспансерных больных в системе имеется справочник соответствия нозологии, графиков диспансерного наблюдения, рекомендуемых диагностических и лечебно-профилактических назначений. Система может обеспечивать автоматический контроль над графиком реализации диспансерного наблюдения.
Алгоритм синтеза решающих модулей системы поддержки принятия решений
Интерфейс обеспечивает передачу в решающий модуль признаков, характеризующих состояние здоровья человека, а также данных и фактов, получаемых в результате работы других РМ, связывающихся с данным решающим модулем. Через интерфейс Ь задаются условия использования и режимы работы решающего модуля. С помощью интерфейса 13 организуются запросы к базе знаний по извлечению информации, требуемой для уточнения принимаемых РМ решений. В простейшем случае это обращения типа запрос -ответ, в более сложном случае - это запрос на получение информации по тактике ведения пациента с учетом организации динамического слежения за состоянием здоровья человека. Через интерфейс 14 осуществляется начальная загрузка решающего модуля и получение дополнительной, уточняющей информации в ответ на запрос РМ. Интерфейсом 15 обеспечивается передача результатов решений, реализуемых РМ, в специальные области памяти базы знаний или другим решающим модулям, включая адресную часть, определяющую направление передачи информации. Интерфейсом 16 формируется управляющая информация для других РМ по адресу указанному интерфейсом 15. Обучающая информация, корректирующая решающие правила, реализуемые РМ, передается в модуль через интерфейс 17.
Для реализации управления лечебно-диагностическими процессами решающие модули обеспечивают выполнение ряда специфических функций, основными среди которых являются: 1. Анализ входной информации поступающей через интерфейс І! на ее полноту и соответствие спецификации решающего модуля с возможностью управления условиями его реализации со стороны входной информации. Для этого, в зависимости от типа решаемой задачи, предусматриваются механизмы включения модуля по: заданному и необходимому набору входных признаков; заданной величине коэффициентов уверенности поступающих с других РМ; удовлетворению условий заданных входным набором продукционных правил; превышению заданного порога; рассчитываемой весовой функции (в основном, линейной); попаданию вектора входных признаков в заданный входной класс. 2. Организация целенаправленного запроса дополнительной информации о пациенте через базу знаний для уточнения принимаемых РМ решений. 3. Расчет показателей достоверности (коэффициентов уверенности) получаемых решений в зависимости от расположения модуля в сетевой модели, его функций, состава входной и дополнительной информации, получаемой через интерфейсы 1ь и I4 , а также расчет показателей качества от применения данного РМ при решении выбранной экспертом задачи. 4. Получение нескольких вариантов альтернативных решений, достигаемых на данном этапе работы РМ с формированием списков функций и (или) органов - мишеней и с выявлением противопоказаний. Расчет показателей качества (коэффициентов уверенности) с формированием адресов переходов для реализации следующих этапов решения поставленной задачи другими РМ сетевой модели, при этом особо выделяются решения, требующие срочного уточнения диагнозов в экстренных ситуациях. 5. Выбор рациональной тактики ведения больного на каждом этапе развертывания лечебно-диагностического процесса в зависимости от состава входной информации, поступающей в РМ через интерфейсы 1Ь 13, с учетом индивидуальных особенностей организма и противопоказаний. 6. Организация фиксации фактов и данных, характеризующих состояния здоровья человека и слежения за графиком выполнения лечебно-диагностических назначений. 7. Реализация механизма объяснений причин снижения качества принимаемых решений, с указанием конкретной информации в том, чем вызвано это снижение: - недостаточностью количества информативных признаков (с перечнем каких именно); - малыми значениями коэффициентов уверенности характеризующих надежность и уверенность в измерении признаков (с перечнем признаков и их реальных коэффициентов уверенности); - недостаточной эффективностью применяемых решающих правил. Этот же механизм предусматривает выдачу информации о том, какие нужно произвести действия с тем, чтобы увеличить достоверность принимаемых решений (получить недостающие признаки, более точно измерить параметры признаков, произвести корректировку решающих правил, включив механизм дообучения). 8. Реализация режима слежения за списком динамических параметров, когда пользователь для уточнения диагностической гипотезы или выбора тактики коррекции состояния здоровья назначает список параметров динамического слежения, а также определяет интервал измерения параметров и количество измерений. В этом режиме для решающего модуля задается правило уточнения и (или) изменения диагностической гипотезы и тактики ведения пациента в зависимости от изменения признаков динамического слежения. Модуль прекращает свою работу либо по достижению заданной уверенности в принятии решения, либо исчерпав заданное количество измерений, либо по команде пользователя. Если этапы динамического слежения требуют нескольких сеансов общения эксперта с пациентом, то создается специальный буфер промежуточных результатов в электронной медицинской карте пациента, с указанием номера решающего модуля и условий его работы. 9. Организация режима обучения (дообучения) с целью повышения качества принимаемых РМ решений. Обучение производится в зависимости от типа используемых решающих правил путем изменения весовых коэффициентов решающих правил, изменения логических связей в правилах продукционного типа, пересчета значений коэффициентов уверенности и порогов принятия решений, путем реорганизации условий запросов и тактики ведения пациента относительно искомого РМ.
Выбор списка задач для поликлинической системы поддержки принятия решений врача-терапевта
Изучение нормативной документации и специальные хронометрические исследования показали, что в отличие от стационаров и лечебно-диагностических центров, в условиях работы поликлиники существуют достаточно жесткие временные ограничения на обслуживание пациента, которое в среднем составляет 10-12 мин., включая, оформление и выдачу документов. При этом на одного поликлинического врача-терапевта приходится до 450 типов диагнозов, за которые он несет профессиональную ответственность, а количество исходных признаков, участвующих в постановке диагноза достигает шести-семи тысяч. При таком объеме информации время поиска необходимых фактов и данных даже в хорошо организованных базах данных и знаний может превысить нормативное, без выхода на принятие решений, ради чего собственно и создается соответствующая система.
Преодолеть указанную трудность можно с учетом того, что среди обязательного набора диагностических задач, находящихся в компетенции поликлинического врача, значительная их часть не вызывает затруднений даже у молодых специалистов и врачей низкой квалификации. В этом случае вряд ли оправдано обращение к соответствующей системе и, более того, как показал опрос практических врачей, если система требует такого обращения, это вызывает отрицательные эмоции ЛГГР.
Для определения списка диагнозов, которые должны поддерживаться соответствующей системой, было выбрано три группы специалистов различной квалификации, которым было предложено решение трех различных задач. Первая группа высококвалифицированных специалистов на основании теории экспертных оценок определила перечень заболеваний, которые целесообразно включить в поликлиническую базу знаний, автоматизированной системы поддержки принятия решений. Вторая группа высококвалифицированных специалистов (ученых и практиков) анализировала истории болезней по группе заболеваний, находящихся в компетенции врача-терапевта и определяла, по каким заболеваниям наиболее часто допускаются ошибки в диагностике. Третьей группе молодых специалистов и специалистов средней квалификации в случайном порядке неоднократно из списка поликлинических диагнозов предлагалось выбирать те диагнозы, для которых они хотели бы воспользоваться помощью высококвалифицированного советчика. По результатам объединенного анализа результатов работы этих трех групп был сформулирован базовый список диагнозов, поддерживаемый разрабатываемой системой. В дальнейшем предполагается, что базовый список диагнозов может быть скорректирован (расширен) с учетом требований конкретных пользователей, существующих технических средств и достижений современной науки и практики. В базовый список вошли следующие диагностические задачи: определение локализации патологического процесса дыхательной системы; диагностика степени тяжести бронхита; диагностика степени тяжести пневмонии; прогнозирование исхода течения хронической пневмонии; определение локализации патологического процесса сердечнососудистой системы; диагностика стенокардии; дифференциальная диагностика нестабильной стенокардии; дифференциальная диагностика артериальной гипертензии и нефрогенной гипертонии; прогнозирование степени риска заболевания ЖКТ; скрининг диагностика ЖКТ; определение локализации патологического процесса при заболеваниях ЖКТ; дифференциальная диагностика острого живота; дифференциальная диагностика желтух; диагностика синдрома острой головной боли; дифференциальная диагностика гематурии и тактика обследования; диагностика синдрома гинекомастии; дифференциальная диагностика отеков; дифференциальная диагностика спленомегалии; диагностика синдрома лихорадки (системная красная волчанка, системная склеродермия, узелковый периартериит, ревматоидный артрит, дерматомиозит). Построение решающих правил для диагностики выбранного списка заболеваний можно произвести на основе теории распознавания образов, когда врачами формируется архив обучающих данных требуемого объема и по нему тем или иным способом, в зависимости от структуры исследуемых классов, осуществляется синтез соответствующих правил классификации. Следует отметить, что если производить полный цикл обучения по каждой из выбранных задач, то это потребует специальных исследований с большими объемами данных и приведет к значительным временным и экономическим затратам. С другой стороны, качественное обучение возможно при наличии точно установленных диагнозов для всех объектов обучающей выборки, что в поликлинических условиях не всегда возможно из-за отсутствия соответствующего технического обеспечения и требуемого количества высококвалифицированных специалистов.
Анализ отечественной и зарубежной литературы показал, что для ряда отобранных диагностических задач получены соответствующие математические модели принятия решений, которые, по мнению высококвалифицированных экспертов, могут быть использованы в разрабатываемой системе поддержки принятия решений. Анализ известных решающих правил позволил сделать вывод, что для диагностики искомых заболеваний используется следующий их набор: правила логического вывода продукционного типа, бальные оценки диагноза, дискриминантные функции, комбинированные правила, сочетающие бальные оценки с правилами логического вывода.
