Сетевое издание

Современные проблемы науки и образования

ISSN 2070-7428

"Перечень" ВАК

ИФ РИНЦ = 1,006

• Авторы
• Резюме
• Файлы
• Ключевые слова
• Литература

Гафанович Е.Я. 1 Львович И.Я. 2

---

1 ФГБОУ ВПО «Саратовский государственный медицинский университет им.В.И.Разумовского Минздрава России»

2 АНОО ВПО «Воронежский институт высоких технологий»

В статье рассматривается результативность использования математических методов прогнозирования и оптимизации и их реализации с применением информационных технологий при организации интеллек-туальной поддержки врачебных решений по выбору эффективного лечения артериальной гипертензии. Предложена структура прогностической модели, которая формируется на основе нейросетевой техноло-гии. Особое внимание уделено статистическому прогнозированию информативных параметров ком-плексного обследования, от числа которых зависит точность прогностических оценок, получаемых по результатам имитационного моделирования. С этой же целью осуществляется оптимизационное оцени-вание комплекса лекарственных средств. Предложено использование интегрального критерия для оцен-ки эффективности лечения с учетом динамики изменения контролируемых показателей. Отдельные процедуры обработки информации и принятия решений интегрированы в информационную систему, с использованием которой достигнуто повышение эффективности медицинских вмешательств в клиниче-ских условиях.

Статья в формате PDF

123 KB

оценка эффективности

интеллектуализация выбора

прогностическое моделирование

артериальная гипертензия

1. Бабкин А. П. Алгоритмизация выбора оптимальной тактики лечения сосудистых пораже-ний / А. П. Бабкин, Э. В. Минаков, Я. Е. Львович, О. Н. Чопоров.

2. Бабкин А. П. Разработка интегрального показателя тяжести течения артериальной гипер-тонии / А. П. Бабкин, Н. А. Воробьева, О. Н. Чопоров // Системный анализ и управление в биомедицинских системах. – 2009. – Т. 8, № 4. – С. 901-904.

3. Гафанович Е. Я. Оценка эффективности диагностики и лечения больных артериальной гипертензией в условиях интеллектуализации стационарозамещающих технологий Е. Я. Гафанович, М. В. Фролов// Вестник новых медицинских технологий. – Тула, 2012. – Т. XIX, № 1. – С.118-120.

4. Интеллектуализация обработки информации и принятия решений в структуре автомати-зированного рабочего места отделения многопрофильного стационара / Гафанович Е. Я., Долгова М. С., Савина Е. В., Фролов В. М. // Системный анализ и управление в биомедицинских системах: журнал практической и теоретической биологии и медицины. – М., 2011. – Т. 10, №4. – С. 817-820.

5. Лившиц В. Б. Статистический и нейросетевой методы идентификации и прогнозиро-вания в медицине / В. Б. Лившиц, Т. И. Булдакова, С. И. Суятинов, С. В. Колентьев // Информационные технологии. – 2004. – № 3. – С. 60-63.

6. Львович Я. Е. Принятие решений в экспертно-виртуальной среде: монография / Я. Е. Львович, И. Я. Львович. – Воронеж: ИПЦ «Научная книга», 2010.

7. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы /Д. Рутков-ский, М. Пилиньский, Л. Рутковский; пер. с польского И. Д. Рудинского. – М.: Горячая линия – Телеком, 2008.

8. Чопоров О. Н. Оптимизационная модель выбора начального плана управляющих воздей-ствий для медицинских информационных систем / О. Н. Чопоров, К. А. Разинкин // Систе-мы управления и информационные технологии. – 2011. – Т. 46, №. 4.1. – С. 185-187.

Эффективность систем интеллектуальной поддержки врача, основанных на современных информационных технологиях, существенным образом зависит от адекватности как самой прогностической модели, так и процедур ее использования, реальному процессу лечения и роли врача в этом процессе.

Недостаток существующих прогностических моделей эффективности медицинских вмешательств при лечении артериальной гипертензии (АГ) состоит, с одной стороны, в их усложнении максимальным учетом динамического характера процесса, с другой стороны – отсутствием возможности использовать информативные параметры комплексной диагностики и субъективные оценки больного и врача. Кроме того, прогностическое оценивание показывает результативность в тех случаях, когда оно интегрировано с процедурой принятия решений в рамках информационной системы.

Поэтому целью исследования является выбор структуры, способа, показателей и параметров прогностического моделирования эффективности лечения АГ, результаты которого в наибольшей степени соответствуют ретроспективной и верификационной статистике, полученной в клинических условиях с использованием информационной системы интеллектуальной поддержки врачебных решений.

Предложено сформировать структуру прогностической модели, отвечающую следующим требованиям: отражает начальное и исходное состояние больного по основному показателю АД за период стационарного лечения учитывает индивидуальные характеристики больного (включает параметры комплексной диагностики y, выполненной на начальном этапе лечения; учитывает субъективные оценки больного и врача степени ухудшения состояния на момент начала стационарного лечения; оценивает реакцию на лекарственные воздействия по суммарным дозам за период стационарного лечения (D).

В математической форме структура такой модели имеет вид:

(1)

где прогнозируемые значения соответственно систолического и диастолического артериального давления при выписке больного из стационара.

В большинстве случаев для этих целей с использованием методов статистической обработки данных строится регрессионная модель. Однако адекватность этой модели подтверждается только на этой выборке ретроспективной информации, на которой она построена, и требуется ее коррекция по текущей информации. Кроме того, она позволяет учитывать значения лингвистических переменных , характеризующих субъективные оценки больного и врача. В тех случаях, когда основное назначение модели – имитировать выходные показатели процесса при заданных параметрах, более эффективной считается нейросетевая модель [5]. Нейронные сети работают с неполными, зашумленными и противоречивыми данными, что характерно для результатов комплексной диагностики. Для адекватного отражения структуры с учетом размытости ряда ее компонентов приемлемой является нейронечеткая система моделирования [7]. Структурная схема вычислительного алгоритма выбора стационарного лечения АГ приведена на рис. 1 [3].

Для оценки и выбора информативных параметров комплексной диагностики было обследовано 107 больных с артериальной гипертензией в возрасте 35–75 лет, среди которых 31 (28,9 %) мужчин и 76 (71,1 %) женщин. Распределение больных по полу, возрасту и поставленному диагнозу представлено в табл.1, из которой видно, что больные в возрасте до 40 лет составляют 8,4 % от всего контингента, в возрасте 40–49 лет – 25,2 %, в возрасте 50–59 лет – 38,3 % и в возрасте 60 лет и старше – 28,1 % .

По полу наибольший удельный вес больных среди мужчин в возрасте до 40 лет (66,7 %), в остальных возрастных группах превалируют женщины, причем наибольший их удельный вес в возрастной группе 40–49 лет (85,2 %).

Первая стадия артериальной гипертензии отмечена в возрасте до 49 лет – 6 (5,6 %) случаев, третья стадия – в возрастных группах 50 лет и старше – 11 (10,3 %) случаев; вторая стадия АГ отмечена у 90 (84,1 %) обследованных больных. Наибольший удельный вес больных с первой стадией АГ в возрастной группе «до 40 лет» – 44,4 %; больных с третьей стадией заболевания – в возрастной группе «5–59 лет» – 17,1 %. Распределение обследованных больных с АГ по полу, возрасту, индексу Кетле и уровню артериального давления представлено в табл. 2.

Оценка значимости параметров комплексной диагностики производилась на основе вычисления коэффициентов корреляции, характеризующих степень взаимосвязи исследуемых параметров с уровнем систолического, диастолического и среднего артериального давления. На основе полученных данных производилось ранжирование показателей по степени их влияния на выраженность артериальной гипертензии.

Таблица 1

Распределение обследованных больных с артериальной гипертензией по полу, возрасту и стадии заболевания

Рис. 1. Структурная схема вычислительного алгоритма выбора медицинских вариантов при лечении АГ

Таблица 2

Распределение обследованных больных с АГ по полу, возрасту, индексу Кетле и уровню артериального давления

В качестве информативных параметров комплексной диагностики отобраны следующие показатели: фибриноген, возраст, ТЗСЛЖ, ГГТП, направление оси (ЭКГ), КДР, белок, ПТИ, индекс Кетле.

Другой этап, влияющий на адекватность модели реальному процессу АГ и позволяющий использовать возможности группового экспертного оценивания эффективности медицинских вмешательств [6] – структуризация лекарственных воздействий.

Разнообразие современных лекарственных средств, используемых при лечении артериальной гипертензии, приводит к необходимости постоянного сравнительного анализа эффекта от применения лекарства, приведенного в описаниях фирмы-производителя и литературных источниках и полученного в реальной клинической практике. Результатом такого анализа предлагается считать структуризацию всего множества средств в некоторый комплекс лекарственных воздействий, наиболее приемлемых для лечения с позиций практического опыта определенной группы врачей-экспертов. При этом первоначально рассматривается максимальный перечень препаратов, и по каждому из них решается альтернатива включения в рекомендуемый комплекс, т.е. процесс выбора представляется процедурой многоальтернативного оптимизационного оценивания эффективности этого медицинского вмешательства.

В условиях активной информатизации лечебно-профилактических учреждений (ЛПУ) отдельные модули ввода и обработки информации, формирования информационного обеспечения, моделирования и принятия решений объединяются в информационную систему интеллектуальной поддержки врача (рис. 2). Функционирование этой системы скоординировано с форматами представления информации в существующей подсистеме ЛПУ автоматизированного ведения истории болезни [4].

Реализация выбора варианта лечения алгоритмических процедур по построению прогностической модели, структуризации комплекса лекарственных воздействий в рамках информационной системы интеллектуальной поддержки врача основана на программной реализации трех групп модулей: ввода ретроспективной, текущей и экспертной информации, настройки и верификации прогностической модели, рационального выбора с использованием экспертной информации и имитационного моделирования для оптимизационного оценивания эффективности выбранного медицинского вмешательства [8].

Комплекс этих модулей, объединенных вместе с подсистемой «История болезни» в единую информационную систему, полностью реализует цикл интеллектуальной поддержки принятия решения врачом при лечении артериальной гипертензии в стационарных условиях.

С использованием разработанных алгоритмов и моделей осуществлен выбор лечебных мероприятий для 42-х больных артериальной гипертензией в возрасте от 37 до 68 лет, среди которых было 16 мужчин и 26 женщин. При этом регистрировалось изменение уровня артериального давления на 2-й, 7-й и 12-й день лечения.

Значения уровня систолического, диастолического и среднего АД в основной (лечение с использованием разработанной информационной системы) и контрольной (традиционное лечение) группах представлены в табл. 3.

Таблица 3

Значения уровня АД в основной и контрольной группах больных

Как видно из представленных данных, несмотря на примерно одинаковый начальный уровень АД в сравниваемых группах, в основной группе отмечено более резкое снижение уровня АД, что благоприятно сказывается на состоянии здоровья больных и говорит об эффективности предложенного подхода к выбору лечебных мероприятий.

Для численной оценки эффективности лечения с учетом динамики изменения контролируемых показателей использован критерий Е, основанный на предположении, что важность изменения уровня АД изменяется по экспоненциальному закону, начиная с первого дня наблюдения [1, 2]:

, (2)

где , , , – уровень АДС (АДД, АДср) соответственно, при поступлении, на 2-й, 7-й и 12-й день лечения; , , – коэффициенты, характеризующие важность изменения показателей между соответствующими измерениями.

Рис. 2. Структура информационной системы интеллектуальной поддержки врача при лечении АГ

Коэффициенты () рассчитываются исходя из предположения, что важность улучшения показателей снижается со временем по экспоненциальному закону , причем на 12-й день лечения она составляет процентов от первоначальной:

, , (3)

где , , t1 = 0, t2 = 2, t3 = 7, t4 = 12.

Значение D задается экспертом, в нашем случае D = 10. Результаты расчетов представлены в табл. 4, из которой видно, что эффективность лечения больных с АГ выше при использовании предложенного комплекса алгоритмов и моделей выбора лечебных мероприятий.

Таблица 4

Результаты оценки эффективности лечения больных АГ в сравниваемых группах

Рецензенты:

Чопоров О. Н., д.т.н., профессор, проректор по научной работе АНОО ВПО Воронежского института высоких технологий, г. Воронеж.

Разинкин К. А., д.т.н., доцент, профессор кафедры технологических и автоматизированных систем электронного машиностроения ФГБОУ ВПО Воронежского государственного технического университета, г. Воронеж.

Библиографическая ссылка