В последнее время использование современных информационных технологий становится критическим фактором развития большинства отраслей знания и областей практической деятельности, поэтому разработка и внедрение информационных систем в медицине является одной из актуальных задач [1]. Повысить качество диагностики и принятия решений по выбору адекватной комбинации методов лечения пациента можно путем внедрения в практику врача экспертных систем (ЭС). Медицинские экспертные системы позволяют врачу не только проверить собственные предположения, но и обратиться к компьютеру за консультацией в трудных диагностических случаях [2]. При этом ЭС не заменяет врача, а выступает в роли «компетентного партнера» – эксперта-консультанта в какой-либо конкретной предметной области. Достоинства ЭС:
- объективность выводов, отсутствие эмоциональных и других факторов человеческой ненадежности;
- аккумулируют опыт и знания высококвалифицированных специалистов, позволяют пользоваться этими знаниями пользователям – «неспециалистам» в данной предметной области;
- достигнутая компетентность не утрачивается при отсутствии практики, может документироваться, передаваться, воспроизводиться и наращиваться;
- низкая стоимость эксплуатации, возможность неограниченного тиражирования.
Экспертные системы применяются для решения неформализованных проблем, к которым относятся задачи, обладающие одной или несколькими характеристиками из следующего списка:
- задачи не могут быть представлены в числовой форме;
- исходные данные и знания о предметной области неоднозначны, неточны, противоречивы;
- цели нельзя выразить с помощью четко определенной целевой функции;
- не существует однозначного алгоритмического решения задачи.
Все вышеперечисленные свойства являются типичными для медицинских задач, так как в большинстве случаев они представлены большим объемом многомерных, запутанных, а порой и противоречивых клинических данных [5]. Поэтому неслучайно первая (механическая) ЭС была создана для решения медицинских задач: «интеллектуальные машины» С.Н. Корсакова (1832 г.), позволявшие подбирать подходящие лекарства по симптомам заболевания. История компьютерных ЭС начинается с 1960-х годов, когда одной из первых была создана медицинская система MYCIN – для диагностики серьезных бактериальных инфекций и помощи в выборе антибиотиков. Сейчас количество ЭС исчисляется тысячами и десятками тысяч. В развитых зарубежных странах сотни фирм занимаются их разработкой и внедрением в различные сферы жизни. В США затраты на создание и модернизацию медицинских информационных систем составляют в год около 8,5 млрд долл.
Между тем заболевания мочеполовой системы вносят значимый вклад в уровень временной и стойкой нетрудоспособности населения [3, 4]. Разработка алгоритмов ранней диагностики, своевременной терапии данной патологии позволяет уменьшить риск осложнений, в том числе при обострениях хронической патологии, наиболее часто наблюдаемых у беременных.
Цель исследования – разработка методов и средств прогнозирования, диагностики, профилактики и лечения наиболее распространенных и актуальных урологических заболеваний, управляемых автоматизированной системой поддержки принятия решений врача-уролога, обеспечивающей высокое качество оказания медицинских услуг в условиях неопределенности и неполноты представления данных при пересекающихся структурах классов.
Материал и методы исследования
Учитывая многообразие и нечеткую природу признаков, определяющих отнесение объекта (пациента) к одному из классов (возможных лечебных групп), возможность одновременного присутствия объекта со сходными значениями одного и того же признака в различных классах, четкая логика неприменима для однозначного вывода в принятии решений по лечебной тактике. Поэтому в качестве основного математического аппарата выбрана нечеткая логика принятия решений [6].
Опыт синтеза нечетких решающих правил для оценки состояния сложных систем, какой является медицина, показал, что хороших результатов удается достичь при совместном использовании двух подходов принятых в теории нечеткой логики принятия решений: подхода разработанного школой Л. Заде [8, 10], оперирующего с функциями принадлежностей к исследуемым классам состояний ωℓ, и подхода Е. Шортлифа [7, 9], оперирующего понятиями коэффициентов уверенности в отнесении объектов к классу ωℓ.
Специалисты, работающие в области нечеткой логики принятия решений, отмечают, что логические построения теории Л. Заде отличаются богатыми возможностями по конструированию языковых механизмов формальных эквивалентных преобразований, но базовые формализмы нечеткой логики могут не соответствовать существу решаемой задачи и, кроме того, процедуры получения решающих правил могут быть настолько сложны, что требуют глубокой специальной подготовки, затрудняя специалистов в построении адекватных решающих правил.
Логические и вычислительные процедуры Е. Шортлифа построены на основании глубокого изучения большого эмпирического материала и в определенном смысле моделируют врачебную логику принятия решений.
В основе подхода Е. Шортлиффа лежит предположение о том, что два подкрепляющих друг друга свидетельства должны усиливать доверие к заключению (прогнозу, диагнозу), возможно давая более высокую степень истинности, чем средняя или даже максимальная. С другой стороны, несколько свидетельств, указывающих в одном направлении, не могут быть полностью компенсированы свидетельством, указывающим в обратном направлении. Такая логика рассуждений реализуется формулой для расчета уверенности в принимаемом решении ωℓ, определяемой через соответствующий коэффициент уверенности ():
(1)
где – мера доверия к решению (к классификации ωℓ);
– соответствующая мера недоверия.
В свою очередь каждая из составляющих определяется итерационными выражениями вида
(2)
(3)
где j – номер итерации, часто совпадающий с номерами признаков и (или) частных (промежуточных) коэффициентов уверенности; – мера доверия к ωℓ от вновь поступившего свидетельства (признака, комбинированного показателя и т.д.) Yi к моменту, когда для всех предыдущих свидетельств
уже определена;
– мера недоверия от вновь поступившего свидетельства Yq.
Как показали результаты использования нечеткой логики принятия решений в медицинской практике, эксперты часто в качестве признаков и (или) комбинированных показателей используют только такие, анализ которых свидетельствует в пользу класса ωℓ.
Тогда, если в составе информативных признаков отсутствуют признаки, опровергающие версию ωℓ, то , формула (2) модифицируется до выражения
(4)
где – коэффициент уверенности в ωℓ от одного свидетельства (фактора) Yi.
Смысл формулы (4) состоит в том, что эффект нового свидетельства (Yi) в пользу гипотезы ωℓ при уже известных свидетельствах сказывается на смещении в сторону полной определенности на расстояние, зависящее от нового свидетельства. Важными свойствами приведенной формулы являются ее симметричность в том смысле, что порядок следования Yi не имеет значения и движение к определенности
(МД или МНД) производится по мере накопления подкрепляющих свидетельств.
Таким образом, логика Е. Шортлифа легко воспринимается врачами-экспертами, часто соответствует существу решаемой задачи, однако её логические возможности уступают логике, развиваемой Л. Заде и его учениками.
Повысить гибкость и мощность логики Е. Шортлифа, сохранив простоту синтеза соответствующих правил принятия решений, можно, объединив определённым образом эти два направления нечёткой логики. Предпосылкой такого объединения может послужить то, что функция принадлежностей к классу ωℓ с базовой переменной Yi может рассматриваться как мера соответствия (доверия) нечёткому множеству, определяемому как класс ωℓ. В свою очередь значение
вычисленное в конкретной точке
, можно рассматривать как коэффициент уверенности в гипотезе ωℓ для свидетельства (информативного признака) Yi. При такой интерпретации функций принадлежностей выражение (4) модифицируется в выражение
(5)
В этом выражении и далее при расчёте значений коэффициента уверенности имеется в виду, что рассчитывается для конкретного значения
базовой переменной Yi.
Функция принадлежностей может быть синтезирована для одной или многих базовых переменных (информативных признаков) с использованием богатого арсенала средств нечёткой логики Л. Заде.
Таким образом, выражение (5) является объединяющим для двух подходов теории нечеткой логики принятия решений. Такое объединение позволяет расширить границы применимости каждого из них при выполнении перечисленных выше ограничений.
Результаты исследования и их обсуждение
На кафедре биомедицинской инженерии Юго-Западного университета г. Курска и на базе урологических отделений ОБУЗ КГ КБ СМП г. Курска с 2005 г. по настоящее время разрабатываются и исследуются математические методы и средства, направленные на повышение эффективности прогнозирования, диагностики, профилактики и лечения урологических заболеваний, в том числе доброкачественной гиперплазии простаты, хронического простатита, мочекаменной болезни, пиелонефрита, пиелонефрита у беременных, травмы почек. На основании аппарата нечеткой логики принятия решений синтезированы решающие правила, на основании которых разработаны алгоритмы работы автоматизированной системы поддержки принятия решения врача-уролога. Синтезированные решающие правила проверены на контрольных выборках пациентов с известными исходами наблюдения, для которых рассчитывались коэффициенты уверенности и в последующем строились гистограммы распределения классов по значениям КУ. Анализ гистограмм позволяет разделить результаты наблюдения на истинно положительные, истинно отрицательные, ложно положительные, ложно отрицательные.
На основании полученных данных рассчитываются показатели эффективности работы решающих правил. В результате проведенных исследований и вычислений нами были получены конкретные результаты, приведенные в таблице.
Анализ таблицы показывает хорошее совпадение врачебного и экспертного оценивания. Эти данные являются косвенным подтверждением практической пригодности методов автоматизированного оценивания. Однако в интерпретации результатов следует учитывать следующие моменты. В данном исследовании эталоном является лечебная тактика лечащего врача, с которым и сравниваются решения системы, при этом известно, что мнение и тактика врача не является абсолютной истинной, а процент врачебных ошибок достигает 30 %, причем на долю субъективных ошибок приходится 60–70 %. Поэтому реальные показатели работы решающих правил могут быть как выше, так и ниже приведенных. Другое построение исследования маловероятно, так как экспертная система является лишь консультантом лечащего врача, а все назначения пропускаются через «призму» врачебного восприятия. Поэтому, с одной стороны, невозможно провести «ослепление» групп, а с другой – создание выборки пациентов, леченных по жестко регламентированным системой рекомендациям, в связи с деонтологическим и правовым аспектами ответственности за последствия возможных ошибок системы.
Сводная таблица показателей качества прогнозирования и диагностики урологических заболеваний на основании синтезированных нечетких решающих правил
Задача |
ДЧ |
ДС |
П3+ |
ПЗ– |
ДЭ |
Прогнозирование возникновения хронического простатита |
0,91 |
0,92 |
0,76 |
0,97 |
0,92 |
Прогнозирование обострения хронического простатита |
0,83 |
0,95 |
0,79 |
0,96 |
0,92 |
Диагностика хронического простатита |
0,97 |
0,97 |
0,98 |
0,96 |
0,97 |
Прогнозирование рецидива мочекаменной болезни |
0,9 |
0,98 |
0,98 |
0,91 |
0,94 |
Диагностика мочекаменной болезни |
0,98 |
0,97 |
0,97 |
0,98 |
0,97 |
Прогнозирование пиелонефрита беременных |
0,9 |
0,91 |
0,89 |
0,92 |
0,91 |
Диагностика пиелонефрита и воспалительных осложнений у больных с травмой почки |
0,95 |
0,94 |
0,98 |
0,84 |
0,96 |
Прогнозирование осложнений после ТУР простаты |
0,85 |
0,88 |
0,88 |
0,86 |
0,87 |
Примечание. ДЧ – диагностическая чувствительность, ДС – диагностическая специфичность, ПЗ+ – прогностическая значимость положительных результатов, ПЗ– – прогностическая значимость отрицательных результатов, ДЭ – диагностическая эффективность.
Заключение
Использование предложенного метода синтеза нечетких решающих правил обеспечивает приемлемую в клинической практике эффективность прогноза и диагностики заболевания и позволяет осуществлять дифференцированный подход к выбору лечебных и профилактических мероприятий. Полученные показатели качества позволяют рекомендовать использовать синтезированные решающие правила для практического использования.
Рецензенты:
Хардиков А.В., д.м.н., доцент кафедры акушерства и гинекологии, ГБОУ ВПО «Курский государственный медицинский университет» Минздрава России, г. Курск;
Новиков А.В., д.м.н., врач-уролог урологического отделения № 2, ОБУЗ «Курская городская клиническая больница скорой медицинской помощи», г. Курск.