CC BY
111
пень подобия возбуждений, полученных при помощи расчетов на клеточном автомате и картах, построенных на основе интерполяции. Проверялось, насколько модель способна выявить наличие и отсутствие постэффектов, проявляемых на реальном объекте после возбуждения миокарда.
Решение представленной проблемы дает возможность:
• производить проверку результата оперативного вмешательства и оценивать его эффективность еще до операции;
• производить поиск новых, более эффективных схем катетерной аблации;
• обучать медицинский персонал в ходе операций.
Создан программный продукт, позволяющий моделировать динамику возбуждения сократительного миокарда. Планируется включение этого продукта в состав лечебно-диагностического комплекса «Элкарт 11-Навигатор», разработанного медицинской промышленной компанией «Электропульс», г. Томск.
СПИСОК ЛИТЕРАТУРЫ
1. Holden A.V., Biktashev V.N. Computational Biology of Propagation in Excitable Media Models of Cardiac Tissue // Chaos, Solitons & Fractals. - 2000. - № 8. - P. 1643-1658.
2. Simelius K., Nenonen J., Horbcek M., Modeling Cardiac Ventricular Activation // International Journal of Bioelectromagnetism. -2001. - №2. - P. 51-58.
3. Kaplan D.T., Smith J.M., Saxberg B.E.H., Cohen R.J. Nonlinear dynamics in cardiac conduction // Math. Biosci. - 1988. - № 90. -P. 19-48.
4. Geselowitz D.B., Miller W.T. A Bidomain Model for Anisotropic Cardiac Muscle // Ann. Biomed Eng. - 1983. - № 11. -P. 191-206.
5. Luo C.H., Rudy Y. A Model of the Ventricular Cardiac Action Potential: Depolarization, Repolarization, and Their Interaction // Circ. Res. - 1991. - № 6. - P. 1501-1526.
6. Luo C.H., Rudy Y. A Dynamic Model of the Cardiac Ventricular Action Potential. I. Simulations of Ionic Currents and Concentration Changes // Circ. Res. - 1994. - № 6. - P. 1071-1096.
7. Luo C.H., Rudy Y. A Dynamic Model of the Cardiac Ventricular Action Potential. II. Afterdepolarizations, Triggered Activity, and Potentiation // Circ. Res. - 1994. - № 6. - P. 1097-1113.
8. Иваницкий Г.Р. Биофизика на рубеже столетия: автоволны // Биофизика. - 1999. - Т. 44. - № 5. - С. 773-795.
9. Ванаг В.К. Исследование пространственно-распределенных динамических систем методами вероятностного клеточного автомата // Успехи физических наук. - 1999. - Т. 169. - № 5. -С. 481-505.
10. Андреев С.Ю., Кочегуров В.А. Алгоритмы интраоперационно-го моделирования возбуждения предсердий // Сибирский журнал индустриальной математики. - 2005. - № 2. - С. 3-11.
Поступила 03.11.2010 г.
УДК 004.67;004.891.3
СОЗДАНИЕ ПОДСИСТЕМЫ ПРИНЯТИЯ РЕШЕНИЙ В МЕДИЦИНСКИХ ИНФОРМАЦИОННЫХ СИСТЕМАХ
А.В. Старикова, О.Г. Берестнева, Г.Е. Шевелев, К.А. Шаропин, Л.И. Кабанова
Томский политехнический университет E-mail: [email protected]
Рассматриваются вопросы, связанные с созданием медицинских информационных систем на примере системы для мониторинга и прогнозирования состояния беременных женщин. Подробно рассмотрены вопросы, связанные с разработкой подсистемы поддержки принятия решения, в частности технология построения решающих правил на основе продукционных моделей.
Ключевые слова:
Медицинские информационные системы, система поддержки принятия решений, продукционные модели. Key words:
Médical information systems, décision support system, production models.
Здравоохранение является важнейшей общественной сферой, вызывающей повышенный интерес как отдельных граждан, так и различных частных и государственных организаций, которая оказывает влияние на жизнь каждого человека и имеет большое значение в национальном и в международном масштабе.
Основным побудительным мотивом работы по совершенствованию системы электронного
здравоохранения является высокая общественная значимость улучшения ситуации в этой сфере, включая повышение качества и скорости лечения, снижение затрат на предоставление услуг и приобретение эффективных средств обеспечения соответствия нормативным документам и прочим требованиям.
Врачи консультируют пациентов on-line, диагностическая аппаратура оснащена мощными про-
цессорами, конференции и консилиумы проводятся через Интернет. И сегодня медицинские информационные технологии приобретают все большую актуальность, а программное обеспечение для медицины становится все более востребованными. Внедрение медицинских информационных систем способно значительно усовершенствовать рабочие процессы на самых разных уровнях: начиная от создания автоматизированного рабочего места врача до комплексной автоматизации поликлиники или стационара. Медицинская информационная система это комплексная автоматизированная информационная система, в которой объединены электронные медицинские записи о пациентах, данные медицинских исследований в цифровой форме, данные мониторинга состояния пациента с медицинских приборов, средства общения между сотрудниками, финансовая и административная информация, напрямую связанная с медицинской деятельностью и пр. [1]. Одной из важных функциональных возможностей, которыми должна обладать такая система, является поддержка принятия решений.
Данная работа посвящена вопросам развития одной из медицинских информационных систем -информационной системы для женских консультаций [2, 3] и созданию для нее подсистемы поддержки принятия решений. Рассматриваемая информационная система предназначена для мониторинга психофизиологического состояния беременных женщин и прогнозирования исхода родов. Структура предлагаемой подсистемы поддержки принятия решений приведена на рисунке.
После создания конкретной подсистемы принятия решений в результате совместной работы инженера базы знаний (БЗ) и эксперта взаимодействие врача-психотерапевта с этой подсистемой производится через интерфейс на некотором языке, близком к естественному. В интерфейсной компоненте производится трансляция предложений этого языка во внутренний язык представления знаний системы. Описание запроса на этом языке поступает в модуль логического вывода, который на основе информации из БЗ генерирует рекомендации по мониторингу и прогнозированию состояния беременных женщин. Основу БЗ составляют набор логических правил в виде продукционных моделей. Модуль приобретения знаний обеспечивает поддержку обучения системы как в процессе создания ее БЗ, так и в процессе работы с ней. Основным его назначением является погружение знаний о предметной области в БЗ. Посредством модуля объяснений производится отображение промежуточных и окончательных выводов и объяснений производимых системой процедур.
Остановимся подробнее на создании ядра подсистемы принятия решений - БЗ. Как известно, существует три стратегии получения знаний: приобретение знаний, извлечение знаний и обнаружение знаний. Под приобретением (acquisition) знаний понимается способ автоматизированного наполнения базы знаний посредством диалога эксперта и специальной программы. Извлечением (elicitation) знаний называют процедуру взаимодействия инженера по знаниям с источником знаний (экспертом, источником знаний и др.). Термины
7Y
Приобретение знаний
7Т
1Z.
БЗ
Инженер БЗ
/-
\-
Логические правила в виде продукционных 4----- моделей ______-
Врач-психотерапевт
Эксперт
Интерфейс
Модуль объяснений
-\ Модуль логического вывода
Рисунок. Структура подсистемы принятия решений медицинской информационной системы для женских консультаций
«обнаружение знаний» (knowledge discovery), а также Data Mining связывают с созданием компьютерных систем, реализующих методы автоматического обнаружения знаний [4]. В нашем случае использованы стратегии elicitation и knowledge discovery. Сформированная БЗ содержит логические правила в виде продукционных моделей. Продукции являются наиболее популярными средствами представления знаний. В них отсутствуют жесткие ограничения, характерные для логических исчислений, что позволяет изменять интерпретацию элементов продукции.
В общем виде под продукцией понимается выражение следующего вида:
(i); Q; Р; А=>В; N. Здесь i - имя продукции, с помощью которого данная продукция выделяется из всего множества продукций. Элемент Q характеризует сферу применения продукции. Основным элементом продукции является ее ядро: А=>В. Интерпретация ядра продукции может быть различной и зависит от того, что стоит слева и справа от знака секвенции =>. Обычное прочтение ядра продукции выглядит так: ЕСЛИ A, ТО B. Более сложные конструкции ядра допускают в правой части альтернативный выбор, например, ЕСЛИ А, ТО B1, ИНАЧЕ B2. Возможны и другие интерпретации ядра продукции, например, A описывает некоторое условие, необходимое для того, чтобы можно было совершить действие В.
Элемент Р есть условие применимости ядра продукции. Обычно Р представляет собой логическое выражение (как правило, предикат). Когда Р принимает значение «истина», ядро продукции активизируется. Если Р ложно, то ядро продукции не может быть использовано.
Элемент N описывает постусловия продукции. Они актуализируются только в том случае, если ядро продукции реализовалось.
Если в памяти системы хранится некоторый набор продукций, то они образуют систему продукций. В системе продукций должны быть заданы специальные процедуры управления продукциями, с помощью которых происходит актуализация продукций и выбор для выполнения той или иной продукции из числа актуализированных.
Продукции по сравнению с другими формами представления знаний имеют следующие преимущества:
• модульность;
• единообразие структуры (основные компоненты продукционной модели могут применяться для построения интеллектуальных систем с различной проблемной ориентацией);
• естественность (вывод заключения в продукционной модели во многом аналогичен процессу рассуждений эксперта);
• гибкость родовидовой иерархии понятий, которая поддерживается только как связь между правилами (изменение правила ведет за собой изменение в иерархии).
Представление знаний с помощью продукций иногда называют «плоским», так как в продукционных моделях отсутствует средства для установления иерархии правил.
В качестве основного метода был использован метод ограниченного перебора М. Бонгарда, реализованный в системе WizWhy [1]. Поиск логических правил осуществляется в системе WizWhy, реализующей ограниченный перебор, исключающий из анализа логические события с низкой частотой. Процедура формирования исходного набора переменных и их описание представлены в [5]. В качестве целевой переменной выбран «исход родов» (ishod), т. е. полученные правила предназначены для прогнозирования исхода родов по набору психофизиологических параметров.
Рассмотрим поподробнее одно из полученных правил:
If height is 162,00... 168,00 (average = 164,56) and krypni plod is 0,00 and el is 1,00... 3,00 (average = 2,85) Then
ishod is not k
Rule's probability: 0,778
The rule exists in 21 records.
Significance Level: Error probability < 0,001
Positive Examples (records' serial numbers):
15, 17, 22, 23, 27, 30, 34, 39, 40, 42
Negative Examples (records' serial numbers): 276, 280, 282, 285, 287, 288
Это правило представляет собой конъюнкцию трех элементарных высказываний. Первое - height is 162,00... 168,00 (average=164,56) - определяет диапазон значений роста. Второе - krypni plod is 0,00 - говорит о том, что плод не крупный, и третье - e1is 1,00... 3,00 - описывает интервал значения эмоциональной составляющей преодоления стрессовой ситуации. Высказывание - ishod is not k - означает, что правило характерно для исходов родов типа не кесарево.
Запись Rule's probability: 0,778 означает, что точность правила в данном случае равна 0,778. Следующая запись The rule exists in 21 records характеризует объем множества объектов, для которых справедливо рассматриваемое правило, а другая запись Significance Level: Error probability<0,001 касается статистической оценки уровня значимости полученного правила. Две последние записи означают положительные и отрицательные примеры соответственно.
В таблице приведены некоторые выявленные закономерности (сочетание факторов), которые характерны для неблагоприятного и благоприятного исхода родов. Первые закономерности можно отнести к психофизиологическим факторам риска.
Следует отметить, что многие закономерности, полученные нами на базе системы WizWhy, были выявлены ранее с использованием стратегии elici-tation (эксперт - Р.Г. Добрянская [2, 3]).
В настоящее время система внедрена в опытную эксплуатацию в одной из женских консультаций г. Томска.
Таблица. Выявленные закономерности неблагоприятного и благоприятного исходов беременности и родов
Сочетание факторов, способствующих осложнению беременности и родов Сочетание факторов, способствующих благоприятному течению беременности и исходу родов
Рост меньше 156 см; предпочтение механизма совладания «пессимизм» (неконструктивная копинг-стратегия); занятия в психологической группе подготовки к родам - нет Предпочтение механизма совладания «оптимизм» (конструктивная копинг-стратегия); преобладание силы правой руки
Преобладание силы левой руки; предпочтение механизма совладания «эмоциональная разгрузка» Рост больше 164 см; низкие значения показателей ригидности; предпочтение конструктивных копинг-страте-гий
Сочетание конструктивной ко-пинг-стратегии «протест» с неконструктивными стратегиями («подавление эмоций», «самообвинение» или «агрессия» Сочетание копинг-стратегии «оптимизм» со стратегией «подавление эмоций»; занятия в группе психологической подготовки к родам
СПИСОК ЛИТЕРАТУРЫ
1. Дюк В.А., Эмануэль В.Л., Информационные технологии в медико-биологических исследованиях. - СПб.: Питер, 2003. -528 с.
2. Берестнева О.Г., Добрянская Р.Г., Муратова Е.А., Шаро-пин К.А.Информатика и системы управления. - 2008. -№ 2(16). - С. 22-23.
3. Берестнева О.Г., Шаропин К.А., Добрянская Р.Г., Муратова Е.А. Разработка прототипа интеллектуальной системы прогнозирования исхода беременности // Математические методы распознавания образов (ММРО-13): Труды Всеросс. на-учно-техн. конф. - М.: Физматлит, 2007. - С. 574-577.
Выводы
1. Разработана структура подсистемы принятия решений для медицинских информационных систем (на примере подсистемы принятия решений для специалистов женских консультаций).
2. Для формирования базы знаний в подсистеме принятия решений выбраны две стратегии -извлечения и обнаружения знаний. На основе анализа и обобщения результатов, полученных при реализации этих стратегий, выявлены не известные ранее факторы риска неблагоприятного исхода родов, которые были включены в базу знаний информационной системы.
3. Включение разработанной подсистемы принятия решений в состав информационной системы мониторинга позволяет участковым врачам получать дополнительную информацию о возможности осложнений беременности и родов, а психотерапевту - рекомендации по видам психотерапевтической помощи в зависимости от личностных и психофизиологических особенностей пациента.
Работа выполнена при финансовой поддержке гранта
РФФИ № 08-06-00313а.
4. Гаврилова Т.А., Хорошевкий В.Ф. Базы знаний интеллектуальных систем. - СПб.: Питер, 2001. - 384 с.
5. Берестнева О.Г., Добрянская Р.Г., Марухина О.В., Шаро-пин К.А., Муратова Е.А. Формирование базы знаний для экспертной системы прогнозирования исхода беременности // «Интеллектуальные системы» (ЛВ-07) и «Интеллектуальные САПР» (СЛБ-2007): Труды Междунар. научно-техн. конф. -М.: Физматлит, 2007. - С. 424-429.
Поступила 10.04.2010 г.
