Учебное пособие 800633

Открытия полной профилактики катаракты или средства абсолютного медикаментозного лечения в ближайшие годы не предвидится, поэтому, остается надеется только на удешевление операции. В настоящее время операция по удалению катаракты и имплантации мягкого искусственного хрусталика в России колеблется от 25 до 150 тыс. рублей. Учитывая возрастную категорию большинства больных, очевидно, что далеко не каждому доступна такая операция.

Так же, применение предложенного в статье алгоритма диагностики может существенно повысить эффективность решения данной проблемы. Возможно внедрение машинной поддержки данного алгоритма на этапе анализа данных путем использования нейронных сетей для минимизации процесса принятия решений и постановки диагноза.

Литература

1.Алексеев В. Н., Егоров Е. А., Астахов Ю. С., Савицкая Т. В. Офтальмология. Учебник для вузов / В. Н. Алексеев, Е. А. Егоров, Ю. С. Астахов, Т. В. Савицкая, Издательство: Геотар – Медиа, 2010. С.141-152. ил.

2.Дубровская, С. В. 100%-ное зрение. Лечение, восстановление, профилактика/ С. В. Дубровская.- М.: РИПОЛ классик, 2009. -7с.

3.Патология хрусталика: Учебное пособие для студентов медицинских ВУЗов /Сост. А.Д. Чупров, Ю.В. Кудрявцева – под общ. ред. А.Д. Чупрова – Киров: КГМА. 2007. С.25-60. ил.

4.Разработка алгоритма диагностики хронической сердечной недостаточности / А.Д. Шурупова, Н.И. Остроушко, Н.Е. Нехаенко, Е.Н. Коровин // Системный анализ и управление в биомедицинских системах. 2017.

Т. 16. № 3. С. 622-625.

5.Коровин Е.Н., Левенков К.О., Рябчунова Л.В. Анализ и алгоритмизация процессов диагностики и выбор тактики лечения хронического пиелонефрита на основе имитационного моделирования // Системный анализ и управление в биомедицинских системах. 2016. Т. 15. № 1. С. 84-87.

6.Информация и принципы управления в биомедицинских системах / Е.Н. Коровин, О.В. Родионов, Л.В. Стародубцева, В.Н. Коровин. Курск, 2017. 120 с.

7.Коровин Е.Н., Сергеева М.А., Стародубцева Л.В. Методы обработки биомедицинской информации. Курск, 2017. 152 с.

Воронежский государственный технический университет

51

УДК 681.3

Е.Н. Коровин, К.О. Левенков

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ПРОЦЕССА ВЫБОРА ТАКТИКИ ЛЕЧЕНИЯ ХРОНИЧЕСКОГО ПИЕЛОНЕФРИТА НА ОСНОВЕ «ДЕРЕВА РЕШЕНИЙ» И КЛАСТЕРНОГО АНАЛИЗА

В статье рассмотрена модель принятия решения по выбору тактики лечения хронического пиелонефрита на основе «дерева решений», а также представлены и интерпретированы результаты кластерного анализа Ключевые слова: хронический пиелонефрит, «дерево решений», атрибут, алгоритм C4.5, кластерный анализ, метод Уорда, выборка,

Манхэттенское расстояние, дендрограмма

Хронический пиелонефрит – это хронический неспецифический инфекционно-воспалительный процесс с преимущественным и первоначальным поражением интерстициальной ткани, чашечно-лоханочной системы и канальцев почек с последующим вовлечением клубочков и сосудов почек. Обострения заболевания могут возникать после того как пациент перенес острые вирусные инфекции такие как ОРВИ, грипп, ангина, отит, тонзиллит и.т.д.). Невылеченные инфекционный процесс, ослабление иммунитета, приводит к прогрессированию хронического заболевания.

Многолетняя продолжительность течения этого заболевания обусловлена морфологическими изменениями в почках, нарастающими обычно медленно. В течении многих лет сохраняется диурез с низкой, а затем и монотонной относительной плотностью мочи (гипо- и изогипостенурия) в связи с наиболее ранним и преимущественным поражением канальцев и снижением концентрационной способности. И лишь в поздней стадии заболевания снижается клубочковая фильтрация, которая долго сохраняется на нормальном уровне.

В связи с неявно выраженной картиной заболевания врачу необходимо учитывать индивидуальные особенности каждого пациента. Диагносту необходимо четко определить стадию течения хронической патологии, а также учесть сопутствующие заболевания, которые осложняют процессы диагностики и лечения. Врач сталкивается с большим количеством медицинских данных, которые необходимо учесть и обработать, для того чтобы принять верное

52

решение. С такой целью в современной медицине применяется математическое моделирование, в частности кластерный анализ.

Кластерный анализ – это математическая процедура многомерного анализа, предназначенная для разбиения множества объектов на установленное или неизвестное число классов на основании критерия качества классификации.

Для решения задачи классификации пациентов по типу выбранной терапиииспользовался иерархический агломеративный метод (древовидная кластеризация). Для построения дендограммы использовалось Манхэттенское расстояние, в большинстве случаев, результат такой же, как при использовании расстояния Евклида, однако для этой меры влияние отдельных больших разностей уменьшается. Оно является геометрическим расстоянием в многомерном пространстве и вычисляется по исходным данным, а не по стандартизованным данным. Также используется метод Уорда - Это метод, в котором объединение проводится с учётом минимального приращения внутригрупповой суммы квадратов отклонения и приводит к образованию кластеров приблизительно равных размеров. Данный метод предполагает, что первоначально каждый кластер состоит из одного объекта. Сначала объединяются два ближайших кластера. Для них определяются средние значения каждого признака и рассчитывается сумма квадратов отклонений:

где: l - номер кластера, i - номер объекта (i = 1,2, ... ,nl), nl - количество объектов в l - том кластере, j - номер признака (j = 1,2, ..., k), k - количество признаков, характеризующих каждый объект.В дальнейшем объединяются те объекты или кластеры, которые дают наименьшее приращение величины Vl.

Выборка, в нашем случае, состоит из 100 историй болезни пациентов урологического отделения БУЗ ВО «ВГКБСМП №10». Пациенты больны различными формами и фазами хронического пиелонефрита. В зависимости от формы и фазы, а также от сопутствующего заболевания, которое существенно осложняет лечение, выбирается определенный вид лечебного воздействия.

Результаты кластеризации приставлены на дендрограмме (рис.1). В результате проведенного анализа были обнаружены 3 кластера. Проверим адекватность данного разделения данных с помощью метода К средних. В общем случае метод K средних строит ровно K различных кластеров, расположенных на возможно больших расстояниях друг от друга. Метод К- средних: – это метод кластерного анализа, целью которого является разделение m наблюдений (из пространства ) на k кластеров, при этом каждое

53

наблюдение отн осится к тому кластеру, к центу (центроиду) которого оно ближе вс его.

Рис. 1. Денд рограмма иерархической классификации

Исходя из амплитуды (и уровней зна чимости) F-статистики, переменные X6, X7,X 1,X5 и X 11 являю тся главными пр и решении вопроса о распределении объектов по кластерам. В ходе пров едения анализа б ыли выделены 3 различных кластера.

Рис. 2. Среднее з начение показателей в выделенных к ластерах

54

Рассмотрим график, показанный на рис. 2 (на оси абсцисс показаны классифицирующие показатели, на оси ординат - средние значения показателей в кластерах).Сопоставляя средние значения показателей в кластерах, видим, что кластеры имеют статистически значимые отличия друг от друга. Итак, в первый кластер вошли 13 наблюдаемых пациентов, которых отличает нормальный уровень лейкоцитов в ОАК и ОАМ. Для данной группы пациентов характерны признаки МКБ при ультразвуковом исследовании. Ключевым признаком второго кластера является высокое значение лабораторных показателей. К данному кластеру отнесены 65 пациентов. Тогда как третий кластер включает в себя 22 пациента, которых характеризуют наибольшие обширное поражение почек, наблюдаемое при ультразвуковом исследовании. Также пациентам 3 группы характерны гематурия и лейкацитурия.

Вся совокупность пациентов разделилась на кластеры в строгом соответствии с назначенными схемами лечения: 1 кластер – стандартная схема лечения (без операции с применением курса антибактериальной терапии), 2 кластер – стандартная схема лечения в совокупности с литокинетической терапией, 3 кластер – операционное вмешательство, применение стандартной схемы лечения.

Не менее значимые результаты в медицинской практике показывают логические методы, а именно получение диагностических моделей в виде решающих правил. Это необходимо для того, чтобы учесть индивидуальные особенности пациента. В частности, для решения задач классификации используют методы, основанные на построении деревьев решений. Сущность метода заключается в том, что исходную матрицу Х можно свести к набору элементарных правил, представленных в виде иерархической структуры – дерева.

Дерево решений состоит из «листьев» и «ветвей». На «ветвях» дерева решения записаны атрибуты, от которых зависит целевая функция. В «листьях» содержаться сами значения целевой функции. А в прочих узлах – атрибуты, по которым дифференцируются случаи. Для того чтобы классифицировать новый случай, необходимо спуститься по дереву решений до «листа» и выдать соответствующее данному случаю значение.Существует множество алгоритмов, которые реализуют построение деревьев решений. С4.5 – это алгоритм построения дерева решений с неограниченным количеством потомков у узла. Разработан данный алгоритм Р. Куинленом для задач классификации. Суть алгоритма Р. Куинлена состоит в следующем: получить модель, предсказывающую значение целевой переменной на основе ряда переменных

55

на входе. Каждый лист дерева и есть значение целевой переменной, измененной при перемещении от корня дерева к листу.

С помощью аналитической платформы DeductorStudioAcademic построено дерево принятия решений, которое позволяет на основе клинических признаков спрогнозировать результат выбора тактики лечения. Дерево построено с более достоверными правилами в ущерб компактности. Оно состоит из 19 узлов, в основе логических правил которых лежит 8 исходных признаков (рис. 3).

Рис. 3. «Дерево решений» выбора тактики лечения пиелонефрита

С помощью программы DeductorStudioAcademic выставлены целевые атрибуты. Наиболее значимым атрибутом, для выбора тактики лечения является выраженное снижение функции почек, а также нарушение оттока мочи из лоханки, примерно такое же значение имеет сахарный диабет в анамнезе. Наименее значимым является атрибут - анатомические препятствия в прилоханочном или дистальном отделах мочеточника (рис. 4).

Рис. 4. Окно значимости атрибутов

С помощь визуализатора «Правила» в виде таблицы отображены решающие правила, входящие в дерево решений и соответствующие им

56

параметры. Таблица правил содержит следующие графы: N - порядковый номер правила (в нашем случае 10 правил); Условие - условие или набор условий, реализуемых в данном правиле; Решение- указывается результат классификации, полученный на основе данного правила; Поддержка - указываются значения поддержки, как по числу записей, так и в процентном отношении этого числа к полному объему выборки. Достоверность - указываются значения достоверности, как по числу записей, так и в процентном отношении этого числа от общего числа примеров попавших в данное правило.

Для отнесения пациентов к медикаментозной тактике лечения было сформировано правило №10 с вероятностью 90,91% и поддержкой 28,21% соответственно. Самыми значимыми признаками для выбора медикаментозного лечения являются: отсутствие уретроррагия, отсутствие нарушения оттока мочи из лоханки, а также отсутствие аллергической реакции на лекарственные препараты.Медикаментозное лечение с учётом беременности – такое решение принимается согласно правилу №4 с вероятностью 100% и поддержкой 5,13%. Значимыми признаками в данном случае является беременность, а также отсутствие нарушения оттока мочи из лоханки.Для выбора тактики лечения - индивидуальное медикаментозное лечение с учетом аллергической реакции, пользуемся правилом №8 с вероятностью 100% и поддержкой 2,56%. Значимыми признаками являются: отсутствие анатомического препятствия в прилоханочном или дистальном отделах мочеточника, а также присутствие в анамнезе аллергической реакции на лекарства.Для принятия решения лечения хронического пиелонефрита при помощи катетеризации мочеточника, используем правило №9 с вероятностью 88,24% и поддержкой 21,79%. Самыми значимыми симптомами для принятия решения о данной тактики являются: нарушение оттока мочи из лоханки, отсутствие уретроррагия.Решение о нефростомии принимается согласно правилам №6 и №7. Оба правила имеют вероятность 100% и поддержку 28,21% и 2,56% соответственно. Значимость имеют такие симптомы как: анатомические препятствия в прилоханочном или дистальном отделах мочеточника, уретроррагия.Правила 1, 2, 3 и 5 применяются для назначения лечения больных с осложнениями хронического пиелонефрита. К таким осложнениям относятся: сахарный диабет, беременность, неконтролируемое артериальное давление. В каждом, из данных случаев, выбирается терапия с учетом сопутствующего процесса.

Таким образом,кластерный анализ и «дерево решений» полностью оправдывают себя в задачах классификации для выявления групп наблюдений с общими характеристиками по отношению к полученным направляющим. В

57

ходе проведения кластерного анализа было установлено, что исследуемый набор показателей является статистически значимым и достаточным для адекватного выбора тактики лечения. А полученное «дерево решений» позволяет врачу учитывать дополнительные особенности пациентов. Сочетание двух этих методов выгодно использовать в медицинской практике при назначении лечения пациентам с хроническим пиелонефритом.

Литература

1.Лопаткин Н.А., Урология М.: ГЭОТАР – МЕД, 2004.

2.Информация и принципы управления в биомедицинских системах / Е.Н. Коровин, О.В. Родионов, Л.В. Стародубцева, В.Н. Коровин. Курск, 2017. 120 с.

3.Коровин Е.Н., Сергеева М.А., Стародубцева Л.В. Методы обработки биомедицинской информации. Курск, 2017. 152 с.

4.Коровин Е.Н., Левенков К.О., Рябчунова Л.В. Анализ и алгоритмизация процессов диагностики и выбор тактики лечения хронического пиелонефрита на основе имитационного моделирования// Системный анализ и управление в биомедицинских системах. 2016. Т. 15. № 1. С. 84-87.

5.Коровин Е.Н., Левенков К.О., Турбин А.С. Классификация пациентов с хроническим пиелонефритом по степени тяжести заболевания на основе кластерного анализа// Наука России: Цели и задачи. Сборник научных трудов, по материалам международной научно-практической конференции 10.02.2017 г. Часть 1 Изд. НИЦ «Л-Журнал», 2017. - 52с.

6.Родионов О.В., Воронин А.И., Коровин Е.Н. Медицинские информационные системы. Воронеж: ВГТУ. 2003. 123 с.

7.Интеллектуальные системы управления в медицине и здравоохранении /Е.Н. Коровин, О.В. Родионов, Е.Д. Федорков, М.В. Фролов, А.В. Фролова. Воронеж: ВГТУ, 2005. 171 с.

8.Интеллектуализация процесса диагностики хронического пиелонефрита на основе априорного ранжирования мнения экспертов / Е.Н. Коровин, В.Н. Коровин, К.О. Левенков, М.В. Лущик // Системный анализ и управление в биомедицинских системах. 2016. Т. 15. 4. С. 647-650.

9.Данилов Д.В., Коровин Е.Н. Разработка рациональной процедуры принятия решений при коррекции сахарного диабета на основе регрессионного анализа и «дерева решений» // Системный анализ и управление в биомедицинских системах. 2012. Т. 11. № 3. С. 615-618.

Воронежский государственный технический университет

58

УДК 681.3

Е.И. Новикова, В.В. Чешенко

ДИНАМИЧЕСКАЯ ДИСКРЕТНАЯ СИСТЕМА НА ОСНОВЕ СЕТИ ПЕТРИ ДЛЯ ПОСТАНОВКИ ДИАГНОЗА И ВЫБОРА ТАКТИКИ ЛЕЧЕНИЯ КРУПОЗНОЙ И ОЧАГОВОЙ ПНЕВМОНИИ

В статье приведен пример построения и использования продукционной модели на основе сети Петри, которая позволяет диагностировать и выбирать тактику лечения для крупозной и очаговой пневмонии

Ключевые слова: продукционная модель, сеть Петри, крупозная пневмония, очаговая пневмония, диагностика, лечение

Продукционная модель знаний представляет собой множество правил, на основе которых формируются выводы, которые должны быть сделаны (или не сделаны) в той или иной ситуации.

Данные выводы формируются на основе двух методов:

•метода прямого логического вывода, то есть система которая начинают свою работу с известных начальных фактов и продолжает, использовать правила для создания выводов или выполнения определенных действий.

•метода обратного логического вывода, который начинает свою работу с гипотезы, или цели, которую пользователь пытается доказать и продолжает, отыскивать правила, которые позволят доказать правдивость гипотезы.

Повсеместное использование систем, основанных на продукционных правилах, обусловленное наличием в них следующих основных особенностей:

•модульная организация,

•наличие средств объяснения,

•наличие аналогии с познавательным процессом человека.

Среди таких систем, довольно широкое распространение получили системы, построенные на основе сетей Петри.

Сеть Петри отражает логическую последовательность событий, и позволяет прослеживать потоки информации и отрабатывать взаимодействие основных процессов.

59

Преимущество сети Петри заключается в ее простоте восприятия и понимания человеком графических образов в том числе динамических.

Позиции сети Петри

60