ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ ПРИ ДИАГНОСТИРОВАНИИ ПАТОЛОГИЙ ЩИТОВИДНОЙ ЖЕЛЕЗЫ В ПЕРИНАТАЛЬНОМ ЦЕНТРЕ

Таранов Ю.А.¹ Борзых В.Э.²

¹ Аспирант,

²доктор физико-математических наук,

Тюменский государственный архитектурно-строительный университет

ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ ПРИ ДИАГНОСТИРОВАНИИ ПАТОЛОГИЙ ЩИТОВИДНОЙ ЖЕЛЕЗЫ В ПЕРИНАТАЛЬНОМ ЦЕНТРЕ

Аннотация

В статье рассмотрены подходы к реализации поддержки принятия диагностических решений в перинатальном центре на примере патологий щитовидной железы. Предложен двухстадийный подход к диагностированию заболеваний с разработкой моделей для каждой стадии на основе обработки различных наборов диагностических признаков. Предложен контур принятия решений для системы поддержки принятия решений. Ключевые слова: медицинские информационные системы, поддержка принятия решений, модели диагностирования.

Taranov Y.A.¹, V.E.Borzykh²

¹Postgraduate student,

²PhD in physical and mathematical sciences,

Tyumen State Architectural University

DECISION SUPPOT IN THE DIAGNOSIS OF THYROID ABNORNALITIES IN THE PERINATAL CENTER

Abstract

The article describes the approaches to the implementation of a decision support system in the perinatal center using thyroid abnormalities as an example. We propose a two-stage approach to the diagnosis of diseases with the development of models for each stage of processing based on different sets of diagnostic features. The general scheme for the decision support system is proposed. Keywords: medical information systems, decision support, model diagnostics. Одной из актуальных задач при разработке медицинских информационных систем (МИС) является необходимость реализации интеллектуальной  поддержки принятия врачебных решений при диагностировании заболеваний и выборе оптимальной тактики их лечения, что обеспечивается путём создания систем поддержки принятия решений (СППР). Выбор методов и подходов при разработке СППР осуществляется с учетом типа решаемой задачи и специфики предметной области. При этом используется весь спектр классических и современных методов обработки данных [1] с тенденцией к использованию сочетания различных подходов и гибридных интеллектуальных методов. Настоящая работа посвящена обоснованию подхода к разработке СППР при диагностировании заболеваний щитовидной железы (ЩЖ) в перинатальном центре, как значимых для региона патологий беременности [2] и разработке алгоритмов и моделей их диагностирования. В результате анализа трудов ведущих специалистов-эндокринологов [2,3] определены разновидности заболеваний ЩЖ, методы диагностики и значимые диагностические критерии. При этом выделили 11 разновидностей патологий (диагнозов) – di, а диагностические параметры разделили на две группы: полученные на основе анализа клинической картины (первичного осмотра и опроса) – I  группа и на основе лабораторно-инструментальных методов анализа – II группа.  В первую группу вошли 13 показателей (р_I.i) – качественные трудно формализуемые данные. Во вторую группу включили 15 достаточно хорошо формализуемых показателей (р_II.i). Они являются наиболее информативными при диагностике заболеваний ЩЖ и относятся к количественным показателям с определенным диапазоном изменения их значений, или к бинарным переменным с возможностью оценивания по принципу наличия/отсутствия признака [4]. Для принятия диагностических решений предложена обобщенная модель диагностики, учитывающая множество диагнозов и множество параметров (с  диапазонами их оценок и изменения). При этом взаимосвязь между входными (набор диагностических признаков) и выходными (диагнозы) параметрами модели можно представить в виде:

где р_i – множество параметров: р_i  – (р₁, р₂...р_n); i=[1...n]; с_ij – множество диапазонов изменения каждого i–го параметра: с_ij – (с₁₁, с₂₁..с_nl); i=[1...n];   j=[1... l]; е_ij – множество оценок  диапазонов (для каждого j-го диапазона)  параметров (для каждого i–го параметра):  е_ij – (е₁₁, е₂₁..е_nk); Учитывая выделение двух разнородных групп признаков с разной возможной степенью  их формализации, в работе предложен двухстадийный подход к диагностированию патологий ЩЖ (предварительная диагностика и уточнение диагноза) с использованием различных моделей на каждой стадии. На стадии предварительной диагностики решение принимается на основании обработки трудно формализуемых исходных данных; что определило использование на этой стадии искусственной нейронной сети (НС). Применительно к медицинской диагностике НС обеспечивают повышение специфичности метода, быстроты и точности постановки диагноза; учет факторов, не поддающихся формализации; возможность комплексного анализа данных о пациенте при параллельной обработке сигналов; повышенную гибкость при решении задач, связанных с неполными, зашумлёнными, искажёнными данными. [5]. В работе выбрана нейросетевая модель на базе двухслойного персептрона с логистической функцией активации с одним скрытым слоем, нейроны которого обрабатывают и классифицируют информацию, подаваемую на вход сети, для формирования выходных сигналов. Входные параметры были предварительно преобразованы методом линейной нормализации. Для определения выходных параметров определили возможность классификации патологий ЩЖ на основании параметров I  группы. Анализ показал, что процесс предварительной диагностики, можно представить как двух (или трех) этапный процесс классификации (рис. 1) с возможностью выделения четырех укрупненных групп: с низким риском патологии и с риском  заболеваний, связанных с недостаточностью или избыточностью функции ЩЖ, с увеличением ее объема и наличием узлов.

Рис. 1. –Диагностический алгоритм и дерево классификации

Результаты обучение спроектированной НС (рис.3) на сформированной обучающей выборке показали, что после 50000 иттераций все тестовые примеры решались сетью корректно со снижением  вероятности ошибки до 0,06 на завершающем этапе. Для совместимости с разрабатываемой для перинатального центра  системы управления лечебно-диагностическим процессом (АСУ ЛДП ПЦ) [6] нейросеть спроектирована на базе языка программирования JavaScript и фреймворка Node.JS. Результат работы программы отображает вероятность отнесения пациента к одной из четырех выделенных групп. Реализация стадии предварительной диагностики позволяет учесть клиническую картину заболеваний ЩЖ и минимизировать набор входных параметров на стадии уточнения диагноза.

Рис. 2 – Схема нейросети и график изменения ошибки

  На стадии уточнения диагноза использованы параметры II группы. Наличие численных значений диагностических показателей и достаточно однозначная интерпретация исходных данных (при определенном сочетании параметров) позволяет использовать продукционные модели с правилами-продукциями вида: Rel={if (условие) then (заключение)}. Учитывая, что каждому диагнозу соответствует строго определенный набор параметров с их количественными характеристиками и диапазоном их изменения, правила трансформируются к виду: Rel={if (х₁[a...b] и х₂ [c...d] и ... х_m [k...l] then (di)}. Диагностические алгоритмы и полученный набор продукционных правил для стадии уточнения диагноза рассмотрены ранее [4]. Учитывая предложенный в работе подход, разработан общий контур принятия решений (рис. 3), позволяющий реализовать  следующую цепочку при диагностировании патологий ЩЖ: первичное обследование пациента (осмотр, опрос) → обработка параметров первой группы (при помощи НС) → постановка предварительного диагноза → дополнительное лабораторное и инструментальное обследование → обработка  параметров второй группы (при помощи продукционных моделей) → постановка окончательного диагноза.

Рис. 3 – Контур принятия диагностических решений

  Модули, обеспечивающие поддержку принятия диагностических решений, являются составной частью ССПР, интегрированной в структуру АСУ ЛДП ПЦ. Автоматически сформированные системой заключения используются лечащим врачом для постановки диагноза пациента.

Литература

1. Халафян А.А. Анализ и синтез медицинских систем принятия решений на основе технологии статистического моделирования: дисс. д.т.н: 05.13.07/ Халафян Александр Альбертович. – Краснодар, 2010.  377с.
2. Таранов Ю.А. Анализ значимых факторов при разработке системы поддержки принятия решений в перинатальном центре для юга Тюменской области //Фундаментальные исследования. – 2013. – №4 (часть3). – С.602-607.
3. Фадеев В.В., Мельниченко Г.А., Дедов И.И. Заболевания щитовидной железы в схемах: руководство. М. : [б. и.]. 2008.  25с.
4. Таранов Ю.А., Борзых В.Э. Разработка моделей диагностирования патологий щитовидной железы в перинатальном центре// Вестник кибернетики. 2015. №1 (17). С. 38-45.
5. Хайкин С. Нейронные сети: полный курс, 2-е изд., испр. М.: "И.Д.Вильямс". 2006. 1104с.
6. Таранов Ю.А. Разработка автоматизированной системы управления для перинатального центра с поддержкой принятия решений на примере Тюменской области / Технические и социально-экономические проблемы: эффективные пути их решения: научная монография [под ред. С.М. Ахметова] Новосибирск: Изд. «СибАК» 2014. С. 133-153.

References

1. Khalafyan A.A. Analiz i sintez medicinskih sistem prinyatiya resheniy na osnove tehnologii statisticheskogo modelirovaniya. Krasnodar, 2010. 377 p.
2. Taranov Y.A. Analyz znachimykh faktorov pri razrabotke sistemy podderzhki prinyatiya resheniy v perinatalnom centre yuga Tyumenskoy oblasti .//Fundamentalniye issledovaniya, №4, 2013. Р.602-607.
3. Fadeev V.V. Mel’nichenko G.A., Dedov I.I. Zabolevanija shhitovidnoj zhelezy v shemah: rukovodstvo. M.: [b. i.], 2008. 25p.
4. Taranov Y.A., Borzykh V.E. Modellling diagnostics of thyroid galnd pathology in perinatal centres // Vestnik kibernetiki, no.1(17), 2015. Р.38-45.
5. Haykin S., Neironnye seti: Polniy kurs: - Moscow, «I.D.Williams», 2006. 1104 p.
6. Taranov Y.A. Razrabotka avtomatizirovannoy sistemy upravleniya dlya perinatalnogo centra s podderzhkoy prinyatiya resheniy na primere Tyumenskoy oblasti // Tehnicheskie i socialno-ekonomicheskie problemy: effectivnye puti ih resheniya: nauchnaya monografiya [pod red. S.M.Ahmetova]. Novosibirsk, izd. «SibAK», 2015. P.133-153.