CC BY
35
Статья
ционирует биосистема в пределах своего аттрактора саногене-за. Как только организм человека, или популяция, или целая экосистема выходит за границы аттрактора нормы (попадают в области джокеров, выходят за границы устойчивости и русел), так сразу действуют другие законы, или начинается хаос, и мы не можем дать на будущее прогнозов, новый аттрактор состояния БДС требует изучения, а о хаотичности таких процессов говорить бессмысленно. Число систем регулирования может резко возрасти, а их законы можно вообще не установить или их идентификация потребует огромных сил и времени.
Переход в область джокеров непредсказуем для любой БДС, а число регуляторных систем, удерживающих любую БДС в аттракторах состояний, может быть чересчур велико. Можно утверждать, что на планете Земля никогда не было, нет, и не будет 2-х одинаковых людей! И речь идет не о генетике, а об организме как целой системе. Нет морфологически одинаковых людей. Даже если это будут клоны, однояйцевые близнецы, у них будут разные фенотипы. Морфогенез любого человека - это не изготовление детали на заводе и не сборка машины на конвейере! Все люди разные морфологически и по реализации конкретных функций клеток, органов, ФСО, организма. Влияние хаоса еще более существенно, если учесть хаотическую динамику действующих на человека экофакторов среды.
Литература
1. Еськов В.М. Компартментно-кластерный подход в исследованиях биологических динамических систем (БДС).- Ч.1..-Самара: НТЦ, 2003.-198 с.
2. Еськов В.М. и др. // ВНМТ.- 2005.- Т.Х11, №.2.- С. 23-25.
3. Системный анализ, управление и обработка информации в биологии и медицине.- Ч. 6.- / Под ред. А.А. Хадарцева, В.М. Еськова.- Самара: Офорт (гриф РАН), 2005.- 196 с.
УДК 616-005.6-001.18
СИСТЕМА АВТОМАТИЧЕСКОГО ПРОГНОЗИРОВАНИЯ ТРОМБОЭМБОЛИИ ЛЕГОЧНОЙ АРТЕРИИ
В.Н. МИШУСТИН*
Введение. Проблема эмбологенного тромбоза вен нижних конечностей и таза актуальна в медицине вообще и в хирургии в частности. Эта патология встречается в 34^0% случаев среди заболеваний вен [1]. Ныне её частота возросла на фоне активного внедрения антитромботической, реологической, тромболитиче-ской терапии и возросшей хирургической активности и её сложности [2]. Серьезность острой венозной окклюзии подчеркивается тем, что в 20,6-43,5% случаев она осложняется тромбоэмболией легочной артерии (ТЭЛА), а в 5-25% ТЭЛА ведет к летальному исходу [3-4, 7-8]. В докладе ВОЗ ТЭЛА признана одним из распространенных сердечно-легочных заболеваний в Америке и Европе [5]. В резолюции 2 конференции Ассоциации флебологов России (1999) подчеркнуто, что вопросы прогнозирования, диагностики, лечения, профилактики эмбологенных венозных тромбозов и ТЭЛА являются наиболее важными в хирургии [6]
Материалы и методы. Для прогнозирования риска возникновения ТЭЛА, и ее исходов при окклюзионных и неокклюзионных формах венозных тромбозов разработана математическая модель прогнозирования ТЭЛА по входным признакам. Математическая модель распознавания объектов нескольких классов - «больной прогностически безопасен в плане ТЭЛА», «больной прогностически опасен в плане ТЭЛА», «опасность смертельного исхода», «смертельный исход маловероятен» по вычисленным признакам позволяет получить номер класса объекта Nкл, используя в качестве вектора входных параметров множество нечетких признаков заболеванияX = (х, X], ..., Хп}, п=46: М, = (хX ).
В качестве основных принципов построения математической модели использован логико-лингвистический подход [9]. В основу логико-лингвистической модели положен набор нечетких правил, связывающих между собой нечеткие значения признаков заболевания и соответствующие им классы. Пусть имеются множество входных признаков заболевания Х=(Х], ..., Хп} и
множество классов У=(у1,.. ур_}, то есть для УXJ, ] = 1,п определено множество значений входных лингвистических переменных (ЛП) Uj и для У определено множество значений выходных ЛП V. Процесс распознавания значимых признаков заболевания входного объекта описывается в терминах значений ЛП [10]: если @к]], Як1т’ то Ь^] иначе,
если 0^21, ак22>---> &к2т, то Ь^2 иначе,
если акр], акр2>---> акрт> то Ькр ,
где аЬ} е1]} VI = 1,..., р, Ък1 еУ VI = 1,..., р.
Значениям ЛП ак1} е Uj соответствуют нечеткие подмножества Аьу с функциями принадлежности цл е Р(Xj), а значениям ЛП ЬИ е V - нечеткие подмножества Вн с функциями принадлежности Цв е Р(У), где Р(Xj) и Р(У)- множества нечетких подмножеств, определенных на базовых множествах X ] и У .
Процедура распознавания исходов не- и окклюзионного тромбозов и осложнения ТЭЛА построена на основе нечеткого логического вывода, в результате которого вычисляется значение
ЛП Ь'к е V при новом наборе вектора значений входных ЛП
а[ = (а*!,...,а^) е ит . При этом а[ соответствует нечетким подмножествам Ца : Xj ——[0,1], а Ь'к - выводимому нечеткому соответствию Цв; еРУ) . Нечеткое соответствие ЦВ[ е Р(У) определено с помощью композиционного правила вывода [9]
Цв =Ца оф.
В терминах функций принадлежности нечеткое соответствие равно [9, 11]
* 305041, г. Курск, ул. Карла Маркса 3, КГМУ, кафедра хирургии ФПО
ця = V ■■■ V | | Л л(х,) |л| V| ЛцA,(x,) |лцд,(>>)
Для повышения точности прогнозирования исходов тромбозов и ТЭЛА использована степень важности Хк признака заболевания. Степень важности является нечеткой функцией принадлежности, вычисляется для каждого признака заболевания и позволяет определить значимость влияния каждого признака заболевания при определении исходов тромбозов и ТЭЛА. Функции принадлежности цв. множества исходных симптомов не- и окклюзионного тромбозов классам определяются как
Нв = ^ ЛУ^к ) ,
где v - количество признаков и симптомов тромбоза, Хк -степень важности признака заболевания.
Решение при распознавании о том, что данный случай тромбоза глубоких вен и ТЭЛА принадлежит к одному из вероятных исходов «больной прогностически безопасен в плане ТЭЛА», «больной прогностически опасен в плане ТЭЛА», «опасность смертельного исхода», «смертельный исход маловероятен» принимается при выполнении следующего равенства ц в( у,) = sup ц в,
где y, (j = 1,..., p ^вероятный исход тромбоза. Математическая модель принимает вид:
F„n (X) =N„ =j, если цв- (у,) = sup ц.
На основе математической модели распознавания исходов тромбозов и ТЭЛА разработан обобщенный алгоритм работы автоматической системы прогнозирования ТЭЛА.
Алгоритм работы системы прогнозирования ТЭЛА представлен на рис. Прогнозирование исхода заболевания выполняется в два этапа: обучение и распознавание. На этапе обучения вводятся карты пациентов с уже известным развитием ТЭЛА и указывается, к какому классу принадлежит объект, т.е. происходит обучение. На этапе распознавания по введенной карте обследованного вычисляется функция принадлежности входного объекта классам и принимается решение о принадлежности входного объекта тому или иному классу. Обобщенный алгоритм системы прогнозирования ТЭЛА позволяет по признакам заболевания определить класс, к которому он принадлежит. На основе алгоритма разработано программное обеспечение системы прогнозирования ТЭЛА. Программное обеспечение (ПО) системы прогнозирования ТЭЛА, предназначенное для автоматической
Статья
обработки результатов обследования и прогнозирования исходов развития заболевания, позволяет осуществлять ввод данных о пациенте, полученных в результате обследования, заносить признаковое описание пациента в базу данных (БД) и прогнозировать развитие ТЭЛА. Реализованы функции: просмотр списка пациентов и признаков заболевания, удаление/добавление пациента в БД. Интерфейс пользователя ПО представляет собой набор свойств из 3 диалоговых окон. В окне «Карта больного» ведется ввод фамилии пациента, возраста, пола и признаков заболевания, разбитых на группы. Большинство признаков имеют значения «есть/нет» и задаются установкой «галочки» перед признаком. При нажатии кнопки «Добавить в архив» идет их запись в БД. Прогноз развития ТЭЛА в % и вероятность смертельного исхода выводятся во всплывающем окне на экране при нажатии кнопки «Прогноз». Вкладка «архив» нужна для работы с БД. Вверху окна выводится заголовок таблицы - список признаков под номерами. Тело таблицы имеет значения признаков и фамилии пациентов.
Рис. Алгоритм работы системы прогнозирования ТЭЛА
Результаты. Система автоматизированного прогнозирования венозных тромбоэмболических осложнений содержит БД, состоящую из 300 больных. Тестирование системы осуществлялось путем прогнозирования венозного тромбоза, ТЭЛА и ее исходов у больных, у которых диагноз венозных тромбоэмболических осложнений был достоверно верифицирован либо с помощью референтных методов (УЗИ или рентгенофлебография),
либо путем морфологического изучения аутопсийного материала. Определялась чувствительность, специфичность, вероятность положительного и отрицательного результатов. Анализ данных показывает высокую чувствительность системы прогнозирования. Высокая специфичность предложенного метода показывает, что положительный результат дает основание для проведения дифференциальной диагностики. Полученные данные показывают, что предложенная автоматизированная система прогнозирования венозных тромбозов и ТЭЛА обладает высокой диагностической ценностью прогнозирования при эмбологенных (чувствительность - 70,65%, специфичность - 97%, прогностичность положительного результата - 91%, отрицательного результата -90,9% ) и при неэмбологенных венозных тромбозах (чувствительность - 99,5%, специфичность - 76%, прогностичность положительного результата - 91%, отрицательного - 98% ).
Диагностическая ценность при венозных тромбоэмболических осложнениях тромбозов у больных с травмой составила: чувствительность - 84%, специфичность - 95,5%, прогностичность положительного результата - 90,32%, отрицательного результата - 92,2%. Экспериментальные исследования с использованием автоматизированной системы позволили установить взаимосвязь между различными группами признаков и одиночными признаками и их влиянием на развитие заболевания.
Выводы. Созданы теоретические основы повышения достоверности результатов прогнозирования и диагностики венозных тромбоэмболических осложнений у больных путем создания матмодели прогнозирования, основанной на математическом аппарате нечеткой логики. На основе матмодели создана автоматизированная система, достоверно улучшившая прогнозирование и диагностику венозных тромбозов и ТЭЛА у больных с травмой
Литература
1. Баешко А.А. Профилактика и лечение послеоперационного тромбоза глубоких вен нижних конечностей: Автореф. дис. ... д-ра мед. наук.- Минск, 1997.- 38 с.
2. Баешко А.А.. и др. // Всерос. Науч. мед. об-во хир.: 2-я конф. Ассоц. флебол. России.- М., 1999.- С. 111-112.
3. Баешко А.А. и др. // Всерос. Науч. мед. об-во хир.: 2-я конф. Ассоц. флебол. России.- М., 1999.- С. 114-115.
4. Баешко А.А. и др. // Всерос. 2-ая конф. ассоциации флебологов России: Сб. тез. докл.- М, 1999.- С. 181.
5. Баешко А.А. и др. // Всероссийская 2-ая конф. ассоциации флебологов России: Сб. тез. докл.- М., 1999.- С. 179.
6. Баешко А.А. и др. // Всероссийская 2-ая конф. ассоциации флебологов России: Сб. тез. докл.- М., 1999.- С. 113.
7. Баешко А.А. и др. // Всероссийская 2-ая конф. ассоциации флебологов России: Сб. тез. докл.- М, 1999.- С. 180.
8. Баешко А.А. и др. // Хирургия.- 1999.- №3.- С. 52-58.
9. Titov V.S. Tevs S.S. // Pattern Recognition and Image Analysis.- 2001.- Vol. 11, № 1.- P. 105-107.
10. Тевс С.С., Титов В.С. Сб. мат-лов 2-й МНТК «Медикоэкологические информационные технологии - 2000».- Курск, 2000.- C. 157-159.
ЙМишустин Владимир Николаевич, доцент кафедры хирургических болезней факультета постдипломного образования Курского госмедуниверситета
УДК:616.127-003.219:615.015
ОЦЕНКА ВЛИЯНИЯ СЕРОВОДОРОДСОДЕРЖАЩИХ ГАЗОВЫХ СМЕСЕЙ НА МИОКАРД ПОД КОНТРОЛЕМ ЭКГ-МОНИТОРНОГО НАБЛЮДЕНИЯ
М. А. ЕПИНЕТОВ, Н.Л. ШИМАНОВСКИЙ, В. Р. МАХМУДОВ*
Одной из особенностей Астраханского региона является промышленная добыча и переработка природного газа, содержащего помимо жидких и газообразных углеводородов в большой концентрации, и сероводород до 25 об.%. По данным литературы, подробно изучено влияние сероводородсодержащих газовых смесей (СГС) на дыхательную, нервную системы, детоксикаци-онную функцию печени и газотранспортную функцию крови [3, 6-7] .Сведения о нарушениях со стороны сердечно-сосудистой системы при ингаляционном воздействии СГС Астраханского месторождения несколько противоречивы, и касаются изменений
* Астраханская медакадемия, Российский медицинский университет
