CC BY
57
I/IT и диагностика
www.idmz.ru
SOI 3, №5
■■■■
гш
А.В. ИВАНОВ,
д.м.н., заведующий кафедрой гистологии, эмбриологии и цитологии ФГБОУ ВПО «Курский государственный медицинский университет», г. Курск, Россия
A. А. БУРМАКА,
д.т.н., профессор кафедры биомедицинской инженерии ФГБОУ ВПО «Юго-Западный государственный университет», г. Курск, Россия Е.Н. КОРОВИН,
д.т.н., профессор кафедры системного анализа и управления в медицинских системах ФГБОУ ВПО «Воронежский государственный технический университет», г. Воронеж, Россия
B. Н. ГАДАПОВ,
д.т.н., профессор кафедры биомедицинской инженерии ФГБОУ ВПО «Юго-Западный государственный университет», г. Курск, Россия
АВТОМАТИЗИРОВАННАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ ИСХОДА ПРОЦЕДУРЫ НЕИНВАЗИВНОЙ ЭЛИМИНАЦИИ КОНКРЕМЕНТОВ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИЙ НЕЧЕТКОЙ ЛОГИКИ ПРИНЯТИЯ РЕШЕНИЙ И НЕЙРОННЫХ СЕТЕЙ
УДК 615.47 : 681.31
Иванов А.В., Бурмака А.А., Коровин Е.Н., Бадалов В.Н. Автоматизированная система прогнозирования исхода процедуры неинвазивной элиминации конкрементов с использованием технологий нечеткой логики принятия решений и нейронных сетей (Курский государственный университет, г. Курск, Россия; Юго-Западный государственный университет г. Курск, Россия; Воронежский государственный технический университет, г. Воронеж, Россия)
Аннотация: В статье представляются результаты прогнозирования исхода терапевтической процедуры дробления конкрементов в лечении мочекаменной болезни, полученные с использованием гибридных технологий нечеткой логики принятия решений и нейронных сетей.
Ключевые слова: прогнозирование, гибридный способ, информативные признаки, мочекаменная болезнь.
UDC 615.47: 681.31
Ivanov A. V,, Burmaka А.А, Korovin E.N., Gadalov V.N. Automated system for predicting the outcome of a non-invasive procedure of elimination of stones using the technology of fuzzy decision logic and neural networks (Kursk State University, Kursk, Russia; Southwest State University, Kursk, Russia; Voronezh State Technical University, Voronezh, Russia)
Abstract: This paper presents the results of predicting the outcome of the therapeutic procedure of crushing stones in the treatment of kidney stones, produced using the hybrid technology of fuzzy decision logic and neural networks. Keywords: prognostication, a hybrid method, informative signs, urolithiasis.
Для лечения мочекаменной болезни в настоящее время все чаще применяется неинвазивный метод дистанционной ударно-волновой литотрипсии (ДУВЛ). Данный метод зарекомендовал себя как чрезвычайно действенный и обладающий минимальным травмирующим воздействием на окружающие ткани. В то же время ввиду механического воздействия на ткань почки
© А.В. Иванов, А.А. Бурмака, Е.Н. Коровин, В.Н. Гадалов, 2013 г.
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■ ■ ■■■ ! п ■■ ■ ■ ■■■ ■■ ■■ ■ ■ ■ ■■■ ■■ ■ ■ ■ ■ ■ ■ ■■ ■■ ■ ■
ВрЭЧ :::: ИТ и диагностика
™ и информационные
технологии
следует с особым вниманием относиться к показаниям и противопоказаниям указанной терапии, так как ее неверное применение или наличие у больных определенных предрасположенностей может привести к почечным гематомам, гематурии или обструкции мочевыводящих путей — наиболее актуальным проблемам литотрипсии. В связи с указанными фактами существует острая необходимость предварительного анализа имеющихся данных о каждом конкретном случае мочекаменной болезни и максимально точного прогнозирования результатов терапии перед ее назначением.
Сложность прогнозирования в данной ситуации обусловлена тем, что значительная часть информации представляет собой субъективные экспертные оценки врача, основанные на его знаниях и опыте применения литотриптора. Для моделирования и отражения подобной информации в прогнозирующих системах целесообразно использовать теорию нечеткой логики как способ наиболее естественного описания характера человеческого мышления и хода его рассуждений.
Для прогнозирования терапевтического эффекта ДУВЛ использовалась нечеткая нейросетевая технология, описанная в [1].
На основании этиологии и патогенеза мочекаменной болезни и особенностей применения процедуры ДУВЛ определен набор различных возможных исходов указанной терапии:
С]—успешное дробление конкремента с первого сеанса с последующим выводом раздробленных частей без осложнений для пациента;
С2 — возникновение различных осложнений в ходе терапии (повреждения организма пациента после успешного дробления конкремента, затрудненный вывод раздробленных камней и т.д.);
С3 — невозможность дробления конкремента с использованием рассматриваемой методики, влекущая необходимость оперативного вмешательства.
С учетом мнения высококвалифицированных экспертов был составлен список из двенадцати информативных признаков, традиционно используемых во врачебной практике для первоначального прогноза результатов ДУВЛ. Выбранные признаки включают в себя результаты разностороннего анализа общего состояния пациента, характеристики конкрементов, подлежащих дроблению, а также дополнительные факторы, оказывающие влияние на исход применения процедуры литотрипсии. При обследовании пациента, помимо показателей его веса и возраста, проводятся биохимические анализы для выявления уровня зараженности мочи и скорости свертываемости крови. Кроме того, замеряется количество миллилитров жидкости, выделяемых мочеточником за минуту для определения функциональных способностей почек. На основании результатов УЗИ почек, верхних и нижних мочевых путей и путем выполнения обзорной и экскреторной урографии или спиральной компьютерной томографии определяются показатели локализации, плотности и размеров исследуемого конкремента.
Для решения данной задачи разработана специализированная гибридная система, которая использует принципы обучения нейронных сетей на этапе дефуззификации, то есть преобразования нечетких коэффициентов уверенности Ku( x) в четкие номера классов у.
Структура разработанной гибридной решающей системы для классификации набора объектов x на классы С], С2 и С3 на основе определенного набора признаков P]_P]2, представлена на рис. 1.
В качестве основы для разработки гибридной системы выбрана распространенная модель нечеткого решающего модуля, состоящая из блоков фуззификатора, агрегатора и дефуззификатора. В отличие от основной структуры, в рассматриваемой системе на этапе фуззификации выполняется разбиение признакового пространства на группы для
32
I/IT и диагностика
www.idmz.ru
F4H
SOI 3, №5
%
О
X
-0-
X
со
со
>
-е-
о
I-
гп
о;
X
I
О
ш
О
О.
х
i_
Ф
Cl
О
н (Г)
X
X
о
X
-е-
X
со
%
-е-
ф
С[
с
О
I-
m
Рис. 1. Структура гибридной решающей системы
>
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 33 ■
ВрЭЧ :::: ИТ и диагностика
™ и информационные
технологии
Таблица 1
Состав обучающей и контрольной выборок
Класс результата ДУВЛ Обучающие данные Контрольные данные
Количество пациентов Количество пациентов
С 55 35
С2 35 25
Сз 30 30
пз- дэ
Нейронная сеть
Нечеткий логический вывод
Гибридная решающая система
Рис. 2. Диаграмма показателей качества работы для трех моделей прогнозирующих систем
последующего анализа наборов сгруппированных признаков вместо совокупного анализа одновременно всех признаков исходного пространства. Агрегирование выполняется в два последовательных шага: на первом
выполняется построение структуры групповых агрегаторов, предназначенных для вычисления коэффициентов уверенности принадлежности объектов к заданному классу на основании каждой группы признаков [2].
На втором шаге для рассчитанных групповых коэффициентов уверенности строятся основные агрегаторы, позволяющие непосредственно определить коэффициент уверенности принадлежности объекта к заданному классу. В качестве дефуззификатора гибридной системы используется нейронная сеть, обучение которой производится на основе исходных обучающих данных, полученных из анализа существующих результа-
тов применения процедуры дистанционной ударно-волновой литотрипсии, содержащихся в историях болезни Больницы скорой медицинской помощи г. Курска.
Структура обучающей и контрольной выборок представлена в табл. 1.
Результаты классификации иллюстрируют диаграммы, представленные на рис. 2.
Результаты расчета показателей качества прогнозирования исхода ДУВЛ для указанных моделей характеризуются значениями диагностической чувствительности (ДЧ), диагностической специфичности (ДС), прогностической значимости положительных результатов (ПЗ+), прогностической значимости отрицательных результатов (ПЗ-), диагностической эффективности решающего правила (ДЭ) [3].
При выполнении прогнозирования с использованием нейронной сети диагностическая эффективность составила 0,68, при использо-
34
I/IT и диагностика
www.idmz.ru
SOI 3, №5
■■■■
гш
вании механизмов нечеткой логики получена диагностическая эффективность 0,82.
При использовании гибридной системы прогнозирования диагностическая эффективность составила 0,91, что значительно выше
показателей других моделей. Это позволило сделать вывод о том, что использование гибридных технологий для прогнозирования результатов дистанционной ударно-волновой литотрипсии является целесообразным.
ЛИТЕРАТУРА
1. Филист С.А., Жилин В.В., Мохаммед Авад А.А. Прогнозирование исхода процедуры элиминации конкрементов с использованием гибридных технологий нечеткой логики принятия решений и нейронных сетей//Биомедицинская радиоэлектроника. - 2010. - №2. - С. 19-23.
2. Жилин В.В, Филист С.А., Аль-Муаалеми В.А. Гибридный способ классификации биосигналов на основе технологий нечеткой логики принятия решений и нейронных сетей//Биомедицинская радиоэлектроника. — 2009. — №5. — С. 77-82.
3. Омельченко В.П, Демидова А.А. Практикум по медицинской информатике: учеб. пособие. — Ростов-на-Дону. Докл. «Феникс», 2001. — 304 с.
ИТ-новости
-----------------------------------------------------------------------f-
«MAIL.RU» ОТКРЫЛ СЕРВИС ЭЛЕКТРОННОЙ ЗАПИСИ ГРАЖДАН НА ПРИЕМ К ВРАЧУ
Коммуникационный портал «Mail.ru» открыл сервис, позволяющий гражданам записаться на прием к врачу в московские городские поликлиники. Об этом сообщил руководитель Департамента информационных технологий Москвы Артем Ермолаев в ходе демонстрационного показа электронных сервисов амбулаторно-поликлинического обслуживания, который состоялся 29 августа в Московской городской поликлинике № 138.
Теперь любой абонент портала через сайт www.health.mail.ru/emias может самостоятельно записаться в поликлиники Департамента здравоохранения. Ранее попасть на прием к специалисту можно было, используя сервисы Единой медицинской информационно-аналитической системы (ЕМИАС): от звонка в круглосуточную Единую службу записи до записи на портале pgu.mos.ru, а также при помощи бесплатного мобильного приложения ЕМИАС.
Источник: http://www.medvestnik.ru/news/
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 35 ■
