Сибирский государственный медицинский университет, г. Томск
Кафедра медицинской и биологической кибернетики
Эта работа опубликована в сборнике статей по материалам 70-й Юбилейной итоговой научной студенческой конференции им. Н.И. Пирогова (г. Томск, 16-18 мая 2011 г.), под ред. В. В. Новицкого, Л. М. Огородовой. − Томск: Сибирский государственный медицинский университет, 2011. − 430 с.
Актуальность. Во второй половине XX века одну из лидирующих позиций среди причин смерти населения как в России, так и в других странах, заняли заболевания сердечно-сосудистой системы. Вопрос своевременной диагностики и выбора эффективного лечения в этой области до сих пор актуален. В данной области очень важно вовремя выбрать вид лечения, который окажется наиболее эффективным (хирургическое вмешательство, например, можно проводить только на определенных этапах заболеваний).
Проблему повышения качества и сокращения сроков медицинской диагностики, назначения эффективного лечения можно решить путем разработки систем для информационной поддержки врачебных решений. В них используются методы распознавания образов, искусственного интеллекта, нечеткая логика, прикладная математическая статистика и т.д. Разработка таких систем актуальна еще и по причине частых диагностических ошибок молодых врачей.
Изучая подходы к реализации систем поддержки принятия врачебных решений, авторы поставили перед собой задачу оценить потенциальную эффективность вывода по прецедентам (Case Based Reasoning) в выборе эффективного лечения пациентов.
Вывод на основе прецедентов представляет собой метод принятия решений, моделирующий человеческие рассуждения. Метод использует знания о предыдущих ситуациях или случаях (прецедентах), которыми могут быть встречавшиеся ранее проблемы или типичные случаи, а также принятые тогда решения. Как считают I. Watson и соавт. [1], всякий прецедент включает в себя: описание некоторого случая или проблемы, описание решения проблемы (действий, предпринимаемых в этом случае), результат применения решений (исход).
В медицине в качестве прецедентов рассматриваются реальные или смоделированные случаи заболеваний. При выборе лечения в составе описания случая включаются симптомы больного, результаты исследований и так далее, в целом обозначаемые как набор признаков больного. Решением проблемы считается лечение, примененное к больному. Исход (состояние после примененного лечения) позволяет анализировать принятое врачом решение.
При рассмотрении новой проблемы (текущего случая) находится похожий прецедент в качестве аналога. В основе всех подходов к выбору похожего прецедента лежит оценка схожести прецедента и текущего случая. Обычно для этого вводится метрика в пространстве признаков, в этом пространстве определяется точка, соответствующая текущему случаю, на основе метрики находится ближайшая точка, представляющая прецедент.
В медицине выбор метрики осложняется тем, что признаки, характеризующие классифицируемый объект, разнотипны.
Цель работы: разработать систему поддержки принятия решений врача-кардиолога.
Для этого необходимо решить следующие задачи:
- разработать алгоритм классификации на основе метода парзеновского окна;
- реализовать алгоритм в виде программного приложения.
Материалы и методы. В качестве обучающей выборки были взяты данные о 400 пациентах клиники ГУ НИИ кардиологии СО РАМН. В обучающую выборку были включены пациенты с нарушениями ритма сердца, а именно с фибрилляциями и трепетаниями предсердий.
В качестве алгоритма классификации был выбран метод парзеновского окна, который будет доработан для случая разнотипных зависимых данных.
Для классификации объекта в методе парзеновского окна применяется основная формула [2]:
где λ - цена ошибки классификации, К – ядро, h – ширина окна, - функция расстояния. Разнотипность данных будет учитываться путем использования концепции мультипликативных ядер [3]. Зависимость данных будет учитываться путем использования формулы, предложенной Епанечниковым для многомерного непрерывного случая [4]. Пусть объекты описываются числовыми признаками  . Тогда непараметрическая оценка плотности в точке  записывается в следующем виде: 
Таким образом, в каждой точке многомерная плотность представляется в виде произведения одномерных плотностей.
Результаты. В данный момент алгоритм находится в стадии разработки.
Данная система поддержки принятия решений поможет врачу-кардиологу сократить время на принятие решения относительно выбора эффективного лечения для пациентов с нарушениями ритма сердца.
Список литературы:
- Watson, I., Marir, F. Case-Based Reasoning: A Review / I. Watson, F. Marir // Knowled. Engineer. Rev. - 1994. - V. 9. - No. 4. - Pp. 355-381.
- Воронцов, К.В. Курс лекций «Математические методы обучения по прецедентам». - Электрон. дан. – Режим доступа : http://www.ccas.ru/voron/teaching.html.
- Расин, Джеффри. Непараметрическая эконометрика : вводный курс / Джеффри Расин // Квантиль. – 2008. - № 4. – С. 7-56.
- Епанечников, В. А. Непараметрическая оценка многомерной плотности вероятности / В. А. Епанечников // Теория вероятностей и ее применения. – 1969. – Т. 14. - № 1. – С. 156-161.
|
