Національна академія наук України

Інститут кібернетики імені В.М. Глушкова

ПЕТРУХІН Володимир Олексійович

УДК 681.32:537.8

МАТЕМАТИЧНІ МОДЕЛІ, АЛГОРИТМИ І СИСТЕМИ ЗБОРУ,

ОБРОБКИ ТА ІНТЕРПРЕТАЦІЇ МЕДИЧНОЇ ІНФОРМАЦІЇ

05.13.06 – автоматизовані системи управління та прогресивні

інформаційні технології

АВТОРЕФЕРАТ

дисертації на здобуття наукового ступеня

доктора технічних наук

Київ – 2005

Дисертацією є рукопис.

Робота виконана в Інституті кібернетики ім. В.М. Глушкова НАН України

Науковий консультант: член-кореспондент НАН України, доктор

технічних наук, професор,

заслужений діяч науки і техніки України

Войтович Ігор Данилович,

Інститут кібернетики ім. В.М. Глушкова НАН України,

завідувач відділом.

Офіційні опоненти: доктор технічних наук, доцент,

Коваленко Ігор Іванович,

Національний інститут кораблебудування ім. адмірала

Макарова (м.Миколаїв), завідувач кафедрою програмного

забезпечення автоматизованих систем,

доктор технічних наук,

Прімін Михайло Андрійович,

Інститут кібернетики ім. В.М. Глушкова НАН України,

провідний науковий співробітник,

доктор технічних наук, професор,

Теленик Сергій Федорович,

Національний технічний університет України “Київський

політехнічний інститут”, завідувач кафедрою автоматики

та управління в технічних системах.

Провідна установа: Національний авіаційний університет України,

кафедра прикладної інформатики.

Захист відбудеться “13” квітня 2005 р. о(об) 14 годині на засіданні спеціалізованої вченої ради Д 26.194.03 при Інституті кібернетики ім. В.М. Глушкова НАН України за адресою: 03680, МСП, Київ-187, проспект Академіка Глушкова, 40.

З дисертацією можна ознайомитися в науковій бібліотеці Інституту.

Автореферат розісланий “ 25” лютого 2005 р.

Учений секретар

спеціалізованої вченої ради РОМАНОВ В.О.

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Дисертація присвячена розробці й реалізації математичних моделей, систем збору й обробки медичних даних і пов'язана з розробкою нових прогресивних інформаційних технологій дослідження динаміки об'єктів для систем діагностики і прогнозування патологічних станів людини. Її наповнення є взаємозалежна сукупність досліджень і розробок систем збору й обробки медичних даних різного призначення, спрямованих на створення теоретичних основ побудови математичних й інформаційних моделей динамічних систем з метою діагностики й прогнозування функціонального стану людини.

Актуальність теми. За останні роки зріс інтерес до проблем побудови систем медичної діагностики, аналізу медичної інформації, математичних моделей для діагностики й прогнозування різних патологічних процесів. Істотного прогресу досягнуто у зв'язку з бурхливим розвитком систем розподіленого збору й обробки інформації, що обумовлений широким поширенням мережі Інтернет. З'явилися прикладні сервіси в мережі Інтернет, засновані на віддаленій обробці й інтерпретації медичної інформації, широко впроваджується телемедичний сервіс – застосування на практиці методів дистанційного надання медичної допомоги й обміну спеціалізованою інформацією на базі сучасних телекомунікаційних технологій.

До даного класу проблем відносяться і задачі побудови динамічних математичних моделей патологічних процесів, спеціалізованих баз даних і баз знань, нових діагностичних алгоритмів оцінки функціонального стану пацієнта, що також вирішуються у даній дисертації. Таким чином, тема дисертації є актуальною.

В дисертаційній роботі узагальнені результати робіт автора, виконаних в 1978 – 2003 роках.

Зв’язок роботи з основними науковими програмами, планами, темами. Основні результати дисертаційного дослідження були отримані в рамках наукових тем Інституту кібернетики ім. В.М. Глушкова НАН України, у яких дисертант був науковим керiвником або відповідальним виконавцем.

1. Державного комітету з науки і техніки СРСР: “Розробити і впровадити системи аналізу кардіологічної інформації (САКИ-1) з метою ранньої діагностики серцевої недостатності в гострому періоді інфаркту міокарда” (1981–1985рр.), № ДР 81085914; “Розробити і впровадити алгоритми і програми СМ ЕОМ для збору, попередньої обробки, діагностичної інтерпретації магніто- і електрокардіосигналів при їх багатоканальній реєстрації”(1985–1990рр.), № ДР 01860125638; “Розробити і впровадити в практику систему інформаційно-математичного забезпечення процесу променевої терапії хворих злоякісними новоутвореннями” (1991–1995рр.), № ДР 02860116675; “Розробити і впровадити в клінічну практику методи індивідуалізації антиметастатичної терапії за допомогою ЕОМ” (1986–1989рр.), № ДР 01860045754; “Створити і ввести в експлуатацію в АН УРСР першу чергу РВПС “Південно-Захід”, а також типові локальні мережі різного призначення” (1986–1990рр.), № ДР 01860096692.

2. Спецтем “Шовк”, “Багатолітник-1”, “Визначення найбільш характерних ускладнень опіків воєнного часу”, “Розробка уніфікованого методу діагностики гострих періодів опікової хвороби і прогнозування її наслідків” (1978–1990рр.).

3. Ряду тем Інституту кібернетики ім. В.М. Глушкова НАН України: “Розвити теоретичні основи побудови мереж передачі інформації з інтегральним обслуговуванням і провести експериментальні дослідження їх основних компонент” (1991–1995рр.), № ДР 0193U043039; “Розробка принципів побудови телемедичних систем, дослідження їх структур, алгоритмів функціонування” (1995–1997рр.), № ДР 0197U005150; “Дослідження питань реалізації моделей теледіагностики в середовищі мережі Інтернет” (1998–2000рр.), № ДР 0198U000321; “Дослідження і розробка системи представлення та інтерпретації знань у динамічних предметних середовищах” (2001–2005рр.), № ДР 0101U000074.

Частину наукових та практичних результатів також було отримано і реалізовано при виконанні грантів: Фонду “Євразія” – проект К95-0531 “Information integration project (backbone) for the Institute of Cybernetics”, а також Фонду “Відродження” – проект KV-96-REM-3-2397-4-5-1-1 “Підтримка інфраструктури мережі Інтернет в Інституті кібернетики НАН України, що забезпечує сервіс Інтернет для широкого кола організацій освітнього та наукового профілю, некомерційних організацій”.

Мета і основні результати дослідження. Метою дисертаційної роботи є рішення актуальної науково-прикладної проблеми створення нових методів і програмно-технічних засобів у системах діагностики й прогнозування функціонального стану пацієнта на основі комплексу нових математичних моделей, алгоритмів і прогресивних технологій збору, обробки і перетворення медичних даних з урахуванням динаміки розвитку патологічного процесу.

Основні задачі, рішення яких у даній дисертаційній роботі забезпечило досягнення поставленої мети:

· створення мови формалізації досвіду експертів системи представлення й інтерпретації знань у динамічних предметних середовищах, що складає основу методології побудови моделей динамічних систем. Мова дозволяє створювати базу знань динамічних моделей складних патологічних процесів шляхом формалізації експертних знань фахівців, що представляють основу для побудови динамічних комп'ютерних моделей;

· розробка алгоритмів аналізу інформації автоматизованих баз медичних даних (інформаційні технології витягу знань);

· розробка, дослідження й апробація математичних моделей і алгоритмів інтерпретації медичних даних з метою аналізу патологічних процесів з урахуванням їх динаміки;

· розробка алгоритмів оцінки динаміки змін функціонального стану організму людини;

· розробка і дослідження автоматизованих баз даних, призначених для збору й обробки медичної інформації, інтерпретації математичних моделей і алгоритмів, вилучення знань, що містяться у базах даних;

· розробка і дослідження інформаційних технологій керування живучістю територіально-розподілених медичних систем і застосувань на основі моніторингу стану устаткування і програмних модулів глобальної мережі ЕОМ, багаторівневих архітектур “клієнт-сервер” для розробки програмних систем розподіленого збору й обробки даних, математичних моделей, методів і алгоритмів реєстрації і перетворення медичної інформації для систем діагностики і прогнозування патологічних станів людини;

· експериментальна апробація і перевірка розроблених математичних моделей, алгоритмів і програм.

Об’єкт дослідження – процес формування математичних моделей, систем збору, обробки та інтерпретації медичної інформації.

Предмет дослідження – математичні моделі, методи збору, обробки та інтерпретації медичної інформації, які забезпечують рішення задач діагностики й прогнозування патологічних станів людини.

Для рішення поставлених задач важливе значення мали праці В.М. Глушкова, М.М. Амосова, О.М. Білоцерковського, І.Д. Войтовича, Ю.В. Гуляєва, В.М. Єгіпка, Ю.І. Журавльова, М.О. Кузнецова, Б.Н. Малиновського, Г.І. Марчука, Б.Я. Наркевича, В.В. Парина, О.А. Павлова, О.В. Палагіна, А.О. Попова, М.А.Пріміна, І.В. Сергієнка, С.Ф. Теленика, Л.І. Титомира, О.С. Холодова, В.І. Шумакова, В.П. Яценка та інших.

Методи дослідження. Основним методом досліджень є математичне моделювання з подальшою експериментальною перевіркою прийнятих гіпотез. Розв’язання деяких математичних моделей було виконано аналітичним шляхом. Аналіз медичної інформації проводився з використанням методів багатомірного статистичного аналізу даних, цифрової обробки сигналів, автоматизованих баз даних.

Достовірність результатів розв'язання задач забезпечена відповідністю результатів застосування моделей, алгоритмів і систем даним тестових вибірок з історій хвороб і результатам функціональних, клініко-лабораторних досліджень пацієнтів; результати випробувань розроблених алгоритмів і програм також підтверджені, у тому числі, інвазійними методами.

Наукова новизна одержаних результатів. На основі запропонованих математичних і інформаційних моделей, нових методів діагностичної та прогностичної інтерпретації медичної інформації та їх аналізу вперше створені математичний апарат та інструментальні засоби, які складають базу розробки біомедичних автоматизованих систем збору, обробки та перетворення інформації для вирішення задач діагностики захворювань, виявлення патологічних станів організму людини з максимальною швидкістю і достовірністю та прогнозування динаміки їх розвитку.

Уперше розроблені наукові основи для створення систем представління та інтерпретації знань у динамічних предметних середовищах, що дозволяє вирішувати задачі синтезу й аналізу динамічних моделей складних систем, у тому числі патологічних процесів у динаміці. Уперше створені наукові основи для розробки систем представлення й інтерпретації знань у динамічних предметних середовищах, що дозволяють вирішувати задачі синтезу й аналізу динамічних моделей складних систем, у тому числі, патологічних процесів у їхній динаміці. Як практична реалізація запропонованих ідей розроблені математичні моделі для оцінки серцево-судинної системи, інформаційні моделі й алгоритми медичного сортування опікових хворих, автоматизовані системи аналізу кардіологічної інформації, алгоритми моніторингу функціонального стану хворих, а також алгоритми виявлення загрозливих для життя ускладнень у гострому періоді інфаркту міокарда.

Уперше запропоновано і теоретично обгрунтовано оригінальний алгоритм порівняльного аналізу послідовних векторелектрокардіограм людини з метою оцінки локальних змін стану міокарда.

Уперше розроблено математичну модель кінетики гепатотропних індикаторів, що забезпечує кількісну клініко-діагностичну інтерпретацію результатів радіонуклідних досліджень печінки, а також автоматизовану базу даних для комплексного рішення питання збору й обробки інформації з цих досліджень. Усе це дозволило досягти більш високого рівня ефективності аналізу патологічних процесів у медицині.

Основні нові наукові результати, які складають зміст вирішення сформульованої проблеми та виносяться до захисту:

· комплекс математичних і інформаційних моделей і нових методів діагностичної і прогностичної інтерпретації медичної інформації, а також математичний апарат і інструментальні засоби, орієнтовані на розробку біомедичних автоматизованих систем збору, обробки і перетворення інформації, що відрізняються максимальною швидкодією і високою вірогідністю стосовно до діагностики, прогнозування, виявлення патологічних станів організму людини;

· мова формалізації досвіду експертів, що складає основу методології побудови моделей динамічних систем, яка дозволяє створювати базу знань динамічних моделей складних патологічних процесів шляхом формалізації експертних знань фахівців. Розроблено інформаційні процедури автоматизації формування висловлень мовою формалізації досвіду експертів на основі аналізу інформації динамічних баз даних, що вирішують задачу автоматизації процесу пошуку причинно-наслідкових взаємозв'язків параметрів;

· інформаційні технології моніторингу функціонального стану серцево-судинної системи людини в гострому періоді інфаркту міокарда шляхом порівняльного аналізу послідовних векторелектрокардіограм (ВКГ), що дозволяють неінвазійними методами вирішувати задачі діагностики і прогнозування стану серцево-судинної системи людини і визначати локальні зміни стану міокарда в ранній термін від початку захворювання. На основі даної інформаційної технології розроблений спосіб діагностики локальних змін стану міокарда, апробований при лікуванні інфаркту міокарда й у спортивній медицині;

· автоматизований телемедичний комплекс векторелектрокардіографічних досліджень, що дозволяє проводити обробку даних функціонального обстеження в середовищі мережі Інтернет, а також автоматизовані телемедичні робочі місця лікаря-цитолога і гістолога, що дозволяють автоматизувати процедури проведення віддалених консультацій пацієнтів;

· нові інформаційні технології кількісної клініко-діагностичної інтерпретації результатів радіонуклідних досліджень печінки, реалізовані у вигляді комплексу програм математичної моделі кінетики гепатотропних індикаторів. Розроблені на основі теоретичної бази способи діагностики функціонального стану печінки і внутріпечінкових жовчних ходів і визначення позасудинного плазмотока печінки, засновані на біологічній інтерпретації створеної математичної моделі, дозволяють одержати кількісну інформацію про глибинні процеси, які відбуваються в печінці, що важливо для виявлення механізмів розвитку ряду патологічних станів і вибору раціонального способу лікування.

Практична значимість та реалізація результатів. Розроблені математичні моделі й методи перетворення інформації служать перш за все теоретичною базою для створення конкретних автоматизованих систем обробки медичної інформації. Ефективність розроблених моделей, алгоритмів реєстрації, обробки і перетворення медичної інформації підтверджена їхнім використанням при реалізації нових інформаційних технологій, що пройшли успішні випробування і впроваджені в Україні, Росії й інших країнах. Отримані теоретичні результати перевірені на практиці і використовуються у дослідницьких та діагностичних цілях у науково-дослідних інститутах і медичних клініках, що підтверджується відповідними документами, які додаються. Зокрема, “Комплекс програм для автоматизованої діагностики інфаркту міокарда по динаміці зміни активності сироваткової креатинфосфокінази” впроваджений у Харківському медичному інституті й у Київському НДІ кардіології ім. М.Д. Стражеска; “Стандартизована історія хвороби опікового хворого”, яка призначена для збору інформації комбустіологічної бази даних, впроваджена в Республіканському опіковому центрі і опіковому відділенні Луганської обласної клінічної лікарні; “Комплекс програм якісної обробки кардіологічної інформації про плин інфаркту міокарда в гострому періоді” і “Комплекс програм розрахунку коефіцієнтів інформативності ознак довільної природи для рішення задач розпізнавання образів” впроваджені у Київському НДІ кардіології ім. М.Д. Стражеска; “Комплекс програм для збору й обробки електрокардіосигналів при їх багатоканальній реєстрації” – на підприємстві п/с А-1081, ВНДКІ “РЕМА”, Республіканському госпіталі МВС України; “Математична модель кінетики бенгальської троянди для діагностики функціонального стану печінки” – у Київському інституті удосконалення лікарів; “Комплекс програм для оцінки локальних змін стану міокарда за даними динамічної векторкардіографії” – на підприємстві п/с А-1081; методологія реінженерії мобільних додатків із графічним інтерфейсом і засобу трасування розподілених програмних систем на основі централізованого відстеження розподілених потоків керування, а також система моніторингу стану устаткування розподілених телекомунікаційних систем – у ТОВ “Сайбервіжн” (Росія) і інших.

Особистий внесок здобувача. В основних роботах, які опубліковані в співавторстві, усі наукові результати дисертації отримані дисертантом самостійно. У всiх опублікованих у співавторстві роботах дисертанту належить ідея роботи, спосіб її реалізації, формулювання результатів і висновків, а долею участі співавторів було більш детальне опрацювання задач, які розв'язуються, розробка програмного забезпечення, виконання розрахунків. У спільних працях особистий внесок здобувача такий: [2, 4, 8] – математичні моделі визначення маси некротизованого міокарда; [1, 5, 6] – аналіз проблем збору медичної інформації; [7, 9] – методологія організації інтерактивного збору й аналізу медичних даних; [10, 16, 18] – методики й алгоритми прогнозування наслідків опікового шоку; [15, 34] – алгоритм порівняльного аналізу послідовних векторелектрокардіограм людини і на його основі спосіб оцінки локальних змін стану міокарда; [3, 17, 20] – структури баз даних клініко-фізіологічних досліджень, необхідні для розробки алгоритмів гемодинамічної оптимізації інфаркту міокарда в гострому періоді; [19, 33] – алгоритми функціонування багатоканальної телеметричної системи; [23, 24, 28, 36] – створення нових інформаційних технологій інтерпретації даних радіонуклідних досліджень на основі математичної моделі, рішення задачі ідентифікації параметрів математичної моделі, програмна реалізація математичної моделі; [22, 35] – дослідження програмної реалізації алгоритмів збору й обробки електрокардіосигналів у середовищі мікроЕОМ і персональної ЕОМ; [12, 14] – питання використання процедур витягу знань з динамічних баз даних для інтерпретації медичної інформації; [21] – розробка комплексу програм автоматизованого скринінгу організованих контингентів населення; [25] – питання використання трасування застосувань для систем розподіленого штучного інтелекту; [26, 32] – питання використання систем моніторингу розподілених телекомунікаційних систем для забезпечення надійності програмних реалізацій систем розподіленого штучного інтелекту; [30, 31] – методологія побудови інтелектуальних процедур витягу знань з інформації динамічних баз даних. Всім своїм співавторам і колегам автор щиро дякує за співробітництво.

Апробація результатів дисертації. Результати досліджень, які складають основний зміст роботи, доповідалися та обговорювалися на міжнародних, республіканських конференціях і семінарах: “Актуальні питання сучасної клінічної діагностики” (Москва, 1979); ІІ республіканська конференція “Математичні методи в біології” (Київ, 1979); “Опікова хвороба” (Київ, 1980); “Теоретичні і клінічні основи обмеження зони інфаркту міокарда” (Ялта, 1982); “Моделювання систем у біології і медицині” (Прага, 1982); II з'їзд кардіологів УРСР (Харків, 1983); Всесоюзна конференція по банках даних (Ташкент, 1983); II Всесоюзний симпозіум “Прогнозування в прикладній фізіології” (Фрунзе, 1984); VII з'їзд онкологів УРСР (Сімферополь, 1985р.); II симпозіум з порівняльної електрокардіології (Сиктивкар, 1985р.); симпозіум з застосування математичних методів і ЕОМ у клініко-біологічних дослідженнях (Гагри, 1985); Всесоюзна конференція ”Біоніка і біомедкібернетика-85” (Ленінград, 1986); Всесоюзна науково-технічна конференції “Застосування мікропроцесорів і мікроЕОМ у медичному приладобудуванні” (Москва, 1987); “Прилади і системи в діагностиці і лікуванні захворювань внутрішніх органів” (Желєзноводськ, 1988р.); 14th International congress on electrocardiology (Berlin, 1987); NATO Advanced Networking Workshop “Establishing a Cooperative Framework for Networking in Russia and Other NATO Partners” (1994); ІІ науково-практична конференція “Актуальні проблеми експериментальної медицини” (Київ, 1998); Міжнародна електронна наукова конференція "Високі технології в медицині" (Донецьк, 1999); ІІ і ІІІ міжнародні конференції по програмуванню "УкрПрог'2000" і "УкрПрог'2002" (Київ); ІІІ міжнародна науково-практична конференція по програмуванню, симпозіум “Телемедицина – медичне утворення, наука, охорона здоров'я” (Київ, 2000); XLIV наукова конференція МФТІ “Сучасні проблеми фундаментальних і прикладних наук” (Москва, 2001); виставка “Кібернетика-90” (Софія, 1990); чисельних семінарах наукової Ради з проблеми “Кібернетика”.

Публікації. Матерiали дисертаційної роботи в повному обсязі опубліковано в 30 статтях у вітчизняних фахових виданнях, авторському свідоцтві СРСР на винахід, патенті України на винахід, двох комплексах програм, зданих у Фонд алгоритмів і програм України, а також у рекомендованих для практичного використання двох методичних рекомендаціях Міністерства охорони здоров'я України.

Структура та обсяг дисертації. Робота складається із вступу, шести розділів, висновків, п’яти додатків. Обсяг роботи 292 сторінки, включаючи 37 рисунків, 24 таблиці та список використаних джерел, який містить 384 найменувань. П’ять додатків мають обсяг 86 сторінок.

ЗМІСТ РОБОТИ

У вступі обгрунтована актуальність проблеми, яка вирішується, зформульована мета досліджень, розглянуті наукова новизна та практична значимість отриманих результатів, наведені дані про особистий внесок автора, апробацію роботи та публікації.

У першому розділі розглянуто стан проблем у розробці й реалізації математичних моделей, систем збору й обробки медичних даних і досліджень, які пов'язані з розробкою нових, прогресивних інформаційних технологій для систем діагностики і прогнозування патологічних станів людини.

У другому розділі розглянуто мову формалізації досвіду експертів, використовувану для побудови моделей динамічних систем, названих академіком В.М. Глушковим узагальненими, які являють собою сукупність об'єктів і процесів, що змінюються у часі. Розглянута мова є частиною системи представлення й інтерпретації знань у динамічних предметних середовищах, що використовують процедури недедуктивного висновку. Iснує великий клас динамічних моделей, що характеризуються використанням якісних параметрів – параметрів, здатних приймати лише кінцеві множини значень (наприклад, набряки гомілки в медицині можуть характеризуватися як злегка виражені, помірковано виражені, значно виражені, різко виражені). Якісні параметри можуть бути описані за допомогою звичайних числових параметрів, однак мова якісних параметрів близька експертам, що користуються нею для побудови своїх висловлень – формалізації накопиченого ними в процесі практичної діяльності досвіду. Крім того, багато числових параметрів часто фактично використовуються як якісні, наприклад, температура людини, що є числовим параметром з інтервалом значень від 34 до 43 градусів, на практиці “загрубляється” і характеризується як нормальна (в інтервалі від 36.5 до 36.9), знижена (менш 36.5), субфебрильна (від 37.0 до 37.3), підвищена, висока і т.д. Таке загрублення викликане відсутністю точних закономірностей, причому при підвищенні точності знань про причинно-наслідкові, темпоральні залежності число якісних градацій числового параметра може бути збільшено.

Використання моделей узагальнених динамічних систем актуально в ситуаціях, коли складність досліджуваних систем така, що один фахівець не в змозі охопити усі взаємозв'язки процесів і явищ. Іншою відмінною рисою таких систем є відсутність кількісних законів розвитку процесів досліджуваних об'єктів, відомі лише деякі емпіричні закономірності у вузьких предметних областях, якими володіють експерти-фахівці.

Для дослідження таких об'єктів використовуються методи системного підходу, що припускає чітке визначення об'єкта дослідження, постановку цілей, задання критеріїв для вивчення цього об'єкта і керування ним. На першому етапі побудови моделі досліджуваного об'єкта виробляється його структуризація, розкладання його на окремі підсистеми, блоки, елементи. Виділяються фактори зовнішнього середовища, впливи, що керують досліджуваним об'єктом. Даний етап побудови моделі завершується етапом параметризації – чітко встановлюється сукупність параметрів з областями їхньої зміни, значеннями параметрів у нормі. Основна вимога тут є вимога обліку всіх важливих, з погляду досліджуваної динаміки, параметрів, вибір необхідного ступеня загрублення параметрів.

Після виконання параметризації здійснюється основний етап складання мо-делі – установлення залежностей між введеними параметрами. Тип залежностей визначається точністю існуючих знань про причинно-наслідкові, логіко-динамічні зв'язки даного параметра. Дані знання можуть виражатися у вигляді строгих математичних закономірностей, але для якісних параметрів найчастіше таке знання представляється не у вигляді формул, а у вигляді продукцій

ЯКЩО<ситуація(t)>ТО<прогноз значення параметра(t+?t)>.

Експерт описує різні ситуації, при виконанні яких розглянутий параметр може змінити своє значення. Крім того, може бути зазначений ступінь впевненості експерта в реалізації даного причинно-наслідкового переходу. Ще однією особливістю розглянутих залежностей є їхня неоднозначність, часом наявність взаємосуперечливих залежностей – формалізованого досвіду різних фахівців, що у такому випадку повинні супроводжуватися ваговими коефіцієнтами. За допомогою цих коефіцієнтів дані залежності процедурою висновку будуть інтерпретуватися як вірогідні.

У роботі приведений синтаксис мови формалізації досвіду експертів системи представлення й інтерпретації знань у динамічних предметних середовищах. У даному розділі досліджені питання побудови процедур автоматизації формування висловлень мовою формалізації досвіду експертів.

Досліджено інформаційну технологію витягу знань з динамічних баз даних, що зберігають реалізації “траєкторій” динамічної системи, користуючись якими в автоматизованому режимі фахівець може формалізувати свій досвід при побудові ним причинно-наслідкових, логіко-функціональних зв'язків параметрів досліджуваного складного об'єкта. Зазначена технологія використовує алгоритм визначення інформативності ознак, що характеризують розпізнавальні об’єкти чи явища, значення яких складають непараметричні сукупності, що не мають адекватного числового вираження. Класифікація об'єктів розпізнавання заснована на побудові системи еталонів, що апроксимують навчальну множину об'єктів, і обчисленні відстані до еталонних векторів класів, які будуються на основі обробки об'єктів навчальної вибірки і представляють собою булеві вектори.

Нехай кожен об'єкт складається з n ознак {x1, x2,…,xn}, кожна з яких має кінцеве число значень li. Уведемо наскрізну нумерацію для всіх значень xi.

Нехай маємо розбивку кінцевої множини об'єктів розпізнавання на систему непорожніх неперетинних підмножин – класів заданої розбивки:

;

де К – число класів розбивки, – порожня множина.

Нехай компонента x1 має l1 значень , x2 – l2 значень і, нарешті, xn – ln значень .

Випишемо послідовність індексів, використовуючи наскрізну нумерацію:

1, 2,…, l1, l1+1, l1+2,…, l1+l2,…, l1+ l2+…+ ln (1)

Задамо взаємнооднозначне відображення множини в множину p-мірних бульових векторів ,

де (2)

j=1, 2,…,p, 1, 2,…,n – номери з (1). Кожний з отриманих у результаті відображення p-мірних бульових векторів буде мати точно n компонент, рівних одиниці, і компонент, рівних нулю. Розглянемо запис множини як булеву матрицю , з N рядків (число об’єктів) і p стовпців, а також відношення hj – числа ненульових елементів j-стовпця до N. У припущенні, що виконуються достатні умови проявлення закону великих чисел, зв’яжемо частоту hj з вірогідністю : Згідно відображенню (2), ознаці з дискретними значеннями відповідає li стовпців матриці , а …, – вірогідності цих значень. Застосовуючи покомпонентну диз'юнкцію p-мірних бульових векторів класів, одержуємо вихідні вектори класів. Потім порівнюємо вихідні еталонні вектори з застосуванням покомпонентної кон'юнкції відповідно до виразу:

де – вихідні еталонні вектори класів r і q , (r ? q).

Якщо , де – нульовий вектор, то еталонні вектори залишаються без змін. У противному випадку проводиться порівняння імовірностей Pjr і Pjq значень для тих компонентів, для яких виконується умова =1. Якщо pjr < pjq, тоді j-ій компоненті вектора присвоюється значення “0” і j-ту компоненту вектора залишаємо без зміни, тобто одержуємо . Якщо Pjr > Pjq , тоді = 1, = ; якщо Pjr = Pjq , тоді значення j-их компонент змінюємо довільним чином, тобто ; або .

Таким чином будуються еталонні вектори класів, покомпонентними кон'юнкціями яких є нульовий вектор “ ”.

Класифікація об'єктів розпізнавання провадиться шляхом обчислення відстаней до еталонних векторів класів: , де – еталонний вектор класу r, r = 1,2,…,К; – бульовий p-мірний вектор об'єкта контрольної групи, n – кількість ознак описів об'єкта.

За критерієм мінімуму відстаней визначається приналежність розпізнаваного об'єкта до того чи іншого класу. У випадку рівності відстаней класифікація не визначена. При вилученні знань з динамічної бази даних у процесі формалізації свого досвіду експертом визначається вибірка історій хвороби (записів бази даних), на основі аналізу яких будуть формуватися гіпотези наявності причинно-наслідкових зв'язків і їхня структура. Формується також контрольна вибірка записів, що використовується для проведення випробувань гіпотез. Спочатку процес витягу знань починається з фіксації списку параметрів, взаємозв'язки яких будуть досліджуватися за допомогою процедур обчислення коефіцієнтів інформативності, а також наступних процедур усікання даного списку до варіанта списку найбільш інформативних параметрів, що забезпечує прийнятну точність рішення задачі класифікації досліджуваних об'єктів. Наступний важливий етап є розбивка областей зміни значень параметрів. Пропонується спочатку виконати розбивку областей зміни значень на максимально можливу кількість інтервалів (з урахуванням точності виміру даного параметра), а потім провести процедуру агрегації інтервалів області зміни значень параметра з урахуванням побудованих еталонних векторів (виконати процедуру об'єднання – “склеювання” однакових рядків у побудованій прогнозній карті, а також зв'язану з цим процедуру укрупнення інтервалів області зміни значень параметра

Потім проводиться випробування наявних еталонних векторів на контрольній вибірці об'єктів. Якщо точність рішення задачі класифікації на контрольній вибірці за допомогою побудованих еталонних векторів виявиться незадовільною, то процес побудови еталонних векторів повторюється, при цьому вибирається вже інша множина ознак.

Даний вибір – еврістична процедура, заснована на використанні досвіду фахівців у досліджуваній предметній області для формулювання висловлення мовою представлення досвіду експертів. ). Блок-схема алгоритму вилучення знань представлена на рис.1. Побудовані в такий спосіб еталонні вектори, довжина інтервалу часу реалізації подій, що класифікуються, надійність класифікації – усе це є вихідні дані для формулювання висловлення мовою представлення досвіду експертів.

Розроблені в процесі дисертаційного дослідження інформаційні технології обчислення інформативності параметрів і класифікації об'єктів були використані для аналізу інформації баз даних комбустіологічної інформації з метою створення алгоритмів медичного сортування опікових хворих і прогнозування наслідків опікового шоку. Для цього була розроблена комбустіологічна (опікова) база даних, сформована на основі інформації з близько 400 формалізованих історій хвороби. Вивчалася прогностична значимість показників, що характеризують стан хворого при поділі опікових хворих на класи зі сприятливим (клас 1) і несприятливим (клас 2) наслідками.

Аналіз комбустіологічної інформації відбувався шляхом послідовних наближень – визначався варіант прогнозної карти фіксацією списку параметрів, що задовольняють названим вище критеріям, потім виконувалося тестування прогнозної карти, оцінка результатів (якості) класифікації. Процес далі міг повторюватися на новій ітерації до одержання задовільних результатів рішення поставленої задачі (як представлено на блок-схемі, що описує алгоритм витягу знань з динамічних баз даних).

Рис. 1. Блок-схема алгоритму вилучення знань

з динамічних баз даних

При цьому для використання у клінічних умовах карта містила 19 показників, а для прогнозування наслідків при масових ураженнях карта була спрощена й в останньому варіанті містить всього 8 ознак (табл. 1).

У прогнозній карті використовуються тільки ті показники, значення яких можна реально визначити з урахуванням надзвичайності ситуації при прийнятті рішень у процесі сортування на етапах медичної евакуації, коли може бути відсутній кваліфікований персонал і залучається середній медичний персонал, а в окремих випадках (при великих вогнищах поразки) і санітари. Прогнозна карта була випробувана на контрольній вибірці з 50 історій хвороби, обраних довільним чином з бази даних. Випробування побудованої прогнозної карти дали правильний результат у 91 відсотках випадків.

Отримані результати мають самостійне значення – розроблені програмні процедури дозволяють проводити аналіз комбустіологічної інформації не тільки з метою аналізу причинно-наслідкових зв'язків параметрів, вони також застосовні для розробки карт прогнозування наслідків різних патологічних станів.

Таблиця 1

Карта прогнозу стану хворого опіковою хворобою

Нижче наведений приклад запису висловлення мовою формалізації досвіду експертів, сформований на основі застосування інформаційних технологій і описаного вище аналізу інформації бази даних (табл. 1).‘

ПАРАМЕТРИ’: ВЗРСТ – ВІК ( <60 : >60 ), ‘

РОЗМІРНІСТЬ’: (РОКІВ);

ОПО – ЗАГАЛЬНА ПЛОЩА ОПІКУ У ВІДСОТКАХ ( <30 : >30 );

ОДП – ОПІК ДИХАЛЬНИХ ШЛЯХІВ ( Є : НЕМАЄ );

СОЗН – СВІДОМІСТЬ ( ЯСНА: СПЛУТАНА: МАРЕННЯ: ВІДСУТНЯ );

ЧДД – ЧИСЛО ДИХАЛЬНИХ РУХІВ ( <22:>23 );

АДС – АРТЕРІАЛЬНИЙ ТИСК СИСТОЛІЧНИЙ ( <100 : >101 );

АДД – АРТЕРІАЛЬНИЙ ТИСК ДІАСТОЛІЧНИЙ ( <60 : 61 – 100 : >101 );

ПУЛС – ПУЛЬС ( <100 : >101 ); ‘

ГОЛОВНИЙ’ : СХ – СТАН ХВОРОГО (СМЕРТЬ: ЗАДОВІЛЬНИЙ);‘

НЕХАЙ’ : Y(t) = ЯКЩО (ВЗРСТ(t) =1 ‘И’ ОПО(t) = 1 ‘И’ ОДП(t) = 2 ‘И’ (СОЗН (t) = 1 ‘ИЛИ’ СОЗН (t) = 3) ‘И’ ЧДД (t) = 1 ‘И’ АДС(t) = 2 ‘И’ АДД (t) = 2 ‘И’ ПУЛС (t) = 1) ‘ТО’ 1‘ІНАКШЕ’2;‘

ВИСЛОВЛЕННЯ’ : ‘C ВІР’ (0.91) ‘ЯКЩО’ Y (t )= 2 ‘ТО’ СХ(t + 3 ‘ДНІ’) = 1‘ІНАКШЕ’ СХ(t + 3 ‘ДНІ’) = 2;

Описані алгоритми обчислення інформативності параметрів і класифікації об'єктів були використані також для аналізу інформації кардіологічної бази даних у гострому періоді інфаркту міокарда з метою виявлення ранніх стадій лівошлуночкової недостатності й виявлення оптимальних гемодинамічних режимів, що забезпечують сприятливий плин захворювання. З цією метою також була створена автоматизована система збору й обробки даних з базою даних на основі формалізованої карти клініко-фізіологічних досліджень хворого. Було проведене визначення прогностичної значимості ознак у задачі класифікації хворих за критерієм поширення зони некрозу і за критерієм розвитку лівошлуночкової недостатності.

Таблиця 2

Оптимальні режими гемодинамічних параметрів

у хворих гострим інфарктом міокарда

Побудовані табличні алгоритми дозволяють класифікувати стан хворих інфарктом міокарда за критерієм розвитку лівошлуночкової недостатності з надійністю 77,4%, а за критерієм еволюції зони некрозу – з надійністю 72,5%. Розроблені карти прогнозування показали задовільні результати при випробуваннях на контрольних вибірках. Це дозволило розглянути їх із практичної точки зору. Оцінка використовуваних у них ознак у зіставленні з еталонами кожного з класів, що класифікуються, дає можливість, з одного боку, виявити градації гемодинамічних параметрів, патогномонічні для існуючої лівошлуночкової недостатності і характерні для загрозливої і, отже, такі, що вимагають медикаментозної корекції. Це дозволило також виявити інтервали значень гемодинамічних параметрів, які характеризують найбільш сприятливий плин інфаркту міокарда, що можуть розцінюватися як оптимальні для даного контингенту хворих. Результати такої оцінки приведені в табл. 2. Вони є основою для коригуючої терапії, спрямованої на усунення і попередження небезпечних ускладнень.

У третьому розділі досліджена математична модель, призначена для оцінки функціонального стану гепатобіліарної системи людини й інтерпретації даних радіологічного дослідження. Математична модель кінетики радіофармпрепарату (131J–БР) в організмі людини є багатокамерною. Під терміном “камера” мається на увазі анатомічна чи фізіологічна одиниця організму, в якій досліджується зміна концентрації радіоактивного препарату в часі, а швидкість переходу цієї речовини між камерами характеризується кількісними константами, що обчислюються. Схема досліджуваної моделі представлена на рис. 2.

Рис. 2. Модель кінетики 131J–БР: а) – схема моделі кінетики 131J–БР;

б) – шкала часу для математичної моделі

Детектор Д1 реєструє криву активності над областю печінки, що являє собою суму активностей камер У, B*, P, G, F. Гепатограма на 60-й сек. відбиває кількість 131J–БР у крові печінки в початковий період і приймається за точку відліку.

Детектор Д2 над областю серця реєструє криву кліренсу крові. Остання являє собою складну криву, що відбиває стан практично всіх камер моделі. Через те, що дана модель не враховує процес розведення індикатора в крові, то початкова ділянка кривої кліренсу не розглядається, а відновлюється шляхом багатоекспоненціальної екстраполяції, виходячи з амплітудних даних із третьої по десяту хвилину.

Камера В – відбиває внутрісудинний обсяг усієї крові. Умовно з цієї камери виділений підпростір У*, що являє собою кров у судинах печінки, і підпростір У – позапечінкова кров. У цілому вся камера В являє собою камеру змішування, де час перемішування 131J–БР нехтувально малий в порівнянні з часом його виходу. Прийнято допущення, що закон зміни концентрації для крові в печінці й у позапечінковій крові той самий.

Камера Р – камера змішування, являє собою паренхіматозні клітини печінки.

Камера F – представляє екстраваскулярний простір у печінці й служить у моделі камерою затримки. Індикатор надходить не тільки в жовчні ходи, але також частково й у міжклітинний простір печінки, особливо при патології, а звідти по лімфатичних шляхах через час затримки N повертається назад у кров.

Камера G – це камера затримки, що відбиває жовчні капіляри і жовчні ходи печінки. У них індикатор затримується на час N1.

Позасудинний чи екстраваскулярний простір у моделі представлено у виді двох камер: ЕКУ – камера змішування, ЕК – камера затримки. Камера ЕКУ являє собою міжклітинний простір, а камера ЕК – лімфатичні шляхи. Передбачається, що концентрація індикатора на виході камери ЕК повторює закон концентрації на вході, але з затримкою у часі на період N.

Камера У – являє собою позапечінковий жовчний простір, жовчні шляхи і жовчний міхур. Ця камера в наших дослідженнях не розглядалася, вона представлена для того, щоб показати вихід індикатора з печінки.

Обмеження і допущення математичної моделі:

·

·

·

·

·

Математичний опис камер моделі. Передбачається, що у вихідний момент часу активність у всіх камерах дорівнює нулю, крім камери В, де активність – В0. Кінетика 131J-БР описується системою із шести диференціальних рівнянь:

При дослідженні розглянутої моделі нами було виділено чотири часових періоди. У період дослідження при 0 < t ? N1 система являє собою систему звичайних диференціальних рівнянь, тому що у всіх рівняннях невідомі функції є функцією одного аргументу. Рівняння матеріального балансу 131J–БР3 для цього періоду мають вигляд:

Далі, при t > N1 досліджувана модель являє собою систему рівнянь із запізнювальним аргументом, оскільки невідомі функції входять при різних значеннях аргументу. Тут при t > N1 система має ще три періоди в силу особливостей описуваних нею кривих. У другий період дослідження N1 < t ? N система диференціальних рівнянь має вигляд:

Третій період дослідження визначається проміжком часу N < t ? N + N1 і описується такими рівняннями:

Четвертий період дослідження описується такими рівняннями:

де, як і вище, К1, К2, К01, V – коефіцієнти кінетики, а B(t), ЕКУ(t), EK(t), P(t), G(t), F(t) – активності 131J–БР. Рішення рівнянь на часовому інтервалі від 0 до 2N:

За допомогою процедур ідентифікації моделі можна одержати значення інформативних параметрів моделі, що забезпечують найбільший збіг теоретичних і експериментальних кривих. Розподіл часу дослідження на періоди дозволяє конкретизувати ділянки ураження, а визначення точок переходу при інтерпретації зареєстрованих кривих різними математичними моделями дає можливість одержати нові кількісні показники, що визначають заключний діагноз.

Крива активності 131J–БР, зареєстрована над областю серця, апроксимується рішенням, що описує кінетику індикатора в камері крові. Крива активності 131J–БР, зареєстрована над областю печінки, після відрахування з її активності крові – лінійним звертанням рішень моделі, що описують кінетику індикатора в камерах паренхіми печінки, позаклітинного простору печінки і внутріпечінкових жовчних ходів. Отже, зареєстровану гепатограму можна представляти як зважену суму теоретичних кривих: AH(t)=V1*AP(t)+V2*AF(t)+V3*AG(t)+GM*AK(t). Тут: t – час дослідження; АН – активність кривої гепатограми; AP, AF, AG, AK активності в камерах; V1 – коефіцієнт, що визначає внесок паренхіматозних кліток печінки в загальну криву гепатограми; V2 – коефіцієнт, який визначає внесок позаклітинного простору печінки в криву гепатограми; V3 – коефіцієнт, що визначає внесок жовчновиводячих шляхів у криву гепатограми; GM – коефіцієнт, що визначає внесок крові в криву гепатограми.

Нами були розроблені, досліджені й доведені до