Научный журнал
Международный журнал прикладных и фундаментальных исследований
ISSN 1996-3955
ИФ РИНЦ = 0,593

МОДЕЛЬ АВТОМАТИЗИРОВАННОЙ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ ПОДДЕРЖКИ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ БОЛЬНОГО В ДО- И ПОСЛЕОПЕРАЦИОННЫЙ ПЕРИОДЫ

Калугина Н.М. 1 Артеменко М.В. 1 Мишустин В.Н. 2 Щекина Е.Н. 1
1 Юго-Западный государственный университет
2 Курский государственный медицинский университет
Статья посвящена проблеме повышения эффективности операции и последующего восстановительного лечебно-профилактического процесса путем разработки и исследования модели информационно-аналитической поддержки функционального состояния пациента на различных технологических этапах ведения больного. Модель включает в себя основные модули: формирование анамнеза, до- и послеоперационные обследования, оценка риска возникновения и развития патологических состояний и исходов (уровней функционального состояния), диагностика (прогноз) состояний и исходов, профилактика и терапия, операционное воздействие. Предлагаемая структурная схема предполагает применение автоматизированной системы поддержки принятия решений для формирования рекомендаций по прогнозированию, лечению и профилактике различных патологических форм физиологических систем организма в до- и послеоперационный периоды, оцениваемых как принадлежность функционального состояния к определенному уровню (рассматривается методика определения и краткая характеристика уровней). Материалы статьи могут быть использованы в клинических условиях и учебном процессе повышения квалификации медицинских работников.
функциональное состояние человека
автоматизированные системы поддержки принятия решений
информационная модель
аналитическая обработка
1. Судаков К.В. Физиология. Основы и функциональные системы. Курс лекций. – М.: Медицина, 2000. – 772 с.
2. Илларионов В.Е. Научно-практические основы информационной медицины. Изд. – 2-е. – М.: Книжный дом «ЛИБРОКОМ», 2010. – 184 с.
3. Артёменко М.В., Бородин М.В., Калугина Н.М., Курочкин А.Г. Идентификация факторов воздействия на объект самоорганизационным анализом спектра характеризующего сигнала // Информационно-измерительные и управляющие системы. – 2017. – Т. 15. № 5. – С. 8–12.
4. Превентивная медицина. Опыт работы информационного полипараметрического комплекса [Текст]: [монография] / Н.В. Дмитриева [и др.]; под ред. Н.В. Дмитриевой. – М.: URSS: ЛИБРОКОМ, 2010. – 248 с.
5. Артеменко М.В., Подвальный Е.С., Старцев Е.А. Метод комплексной оценки и выборка состава информативных признаков в задачах оценки состояния биотехнических систем // Биомедицинская радиоэлектироника. – 2016. – № 9. – С. 38–44.
6. Артеменко М.В., Калугина Н.М., Шуткин A.Н. Формирование множества информативных показателей на основании аппроксимирующего полинома Колмогорова-Габора и максимального градиента функциональных различий // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. – 2016. – № 1 (18). – С. 116–123.
7. Hoffman R.R., Feltovich P.J., Ward P., Dibello L., Fiore S.M., Andrews D.H. Accelerated expertise training for high proficiency in a complex world // В книге: Accelerated Expertise: Training for High Proficiency in a Complex World. – 2013. – С. 1–256.
8. Голева О.П., Федорова Г.В., Щербаков Д.В. Учебное пособие по медицинской статистики : учебное пособие. – Омск, 2013. – 365 с.
9. Кореневский Н.А., Артеменко М.В., Провоторов В.Я., Новикова Л.А. Метод синтеза нечетких решающих правил на основе моделей системных взаимосвязей для решения задач прогнозирования и диагностики заболеваний // Системный анализ и управление в биомедицинских системах. – 2014. – Т. 13. № 4. – С. 881–886.
10. Добрынин Д.А. Применение интеллектуальной системы типа ДСМ для анализа клинических данных // Российский биотерапевтический журнал. – 2014. – Т. 13. № 3. – С. 57–60.
11. Финн В.К. О представлении необходимых условий выполнимости посылок правил ДСМ-индукции для анализа медицинских данных // Научно-техническая информация. Серия 2: Информационные процессы и системы. – 2011. – № 5. – С. 1–5.
12. Барский А.Б., Дмитpиев А.А., Баpская О.А. Медицинские информационно-справочные системы на логических нейронных сетях // Информационные технологии. – 2010. – № 1. – С. 1–32.
13. Орлов А.А. Принципы построения архитектуры программной платформы для реализации алгоритмов метода группового учета аргументов // Управляющие системы и машины. – 2013. – № 2. – С. 65–71.

Согласно классическому определению – функциональное состояние пациента представляет собой комплекс свойств определяющих его жизнеспособность [1, 2]. Как правило, в этот комплекс входят значения таких показателей, как давление, пульс, антропометрические данные, общее состояние.

Разными авторами [3, 4] предлагаются различные классификационные уровни функционального состояния. Распространяя аналогии предлагаемых уровней на организм пациента хирургического отделения, предлагается следующая систематизация – представлена в таблице.

В таблице переменная LET характеризует уровень напряженности и вычисляется по формуле

kal01.wmf (1)

где Нk – уровень напряженности текущего k-го состояния пациентов, Н1 – уровень напряжения 1-го состояния.

Значения Hk вычисляются путем применения некоторого функционала от значений различных признаков, характеризующих состояние пациента и являющихся информативными факторами риска возможного развития патологического процесса в до и после операционный периоды.

Признаки, характеризующие состояние пациента, в большинстве случаев можно свести к логическим переменным, принимающим значение «true» – признак присутствует у пациента, «false» – признак отсутствует. Если от множества информативных признаков (вопросы формирования такового рассмотрены, например, в [5, 6]) перейти к кортежам, упорядочив признаки по любому критерию, – например, показателю информативности, то, перейдя к бинарному кодированию признаков, в качестве Нk предлагается принять величину

kal02.wmf

где xi,k – бинарное значение i-го признака в текущем состоянии k, xi,1 – бинарное значение i-го признака в состоянии 1.

Проведение вычислительных процедур и формирование превентивных диагностических заключений предлагается осуществлять на различных этапах обследования пациента (до и после операции) с целью выявления его адаптационных возможностей и резервов организма по преодолению последствий операционного вмешательства.

Для повышения оперативности и качества оценки уровней напряженности функционального состояния пациента предлагается применять автоматизированную систему поддержки принятия решений (АСППР), которая не только оценивает степень напряжения, но и формируют рекомендательные заключения по прогнозу развития ситуации и возможных терапевтических (или иных корректирующих состояние пациента) воздействий.

Проектирование АСППР (как в целом, так и и отдельных ее элементов) основывается на определенной модели автоматизированной информационно-аналитической поддержки функционального состояния пациента на ключевых этапах лечения (включая операционное вмешательство) – например, представленная на рисунке.

Согласно рисунку модель отражает следующую технологию прогнозирования и профилактики. По результатам анализа анамнеза больного, до и после операционного вмешательства системой поддержки принятия решений осуществляется вычисление рисков различных прогнозов тромбоэмболии и исходов лечения в целом. По определенным решающим правилам осуществляется диагностика патологических форм и исхода лечения или профилактики. Этот процесс осуществляется под управлением лечащего врача на основе рекомендаций, сформированных системой поддержки. После выбранной, согласно рекомендациям, терапии осуществляется контроль состояния пациента и определение рисков. Данный процесс повторяется до достижения желаемого эффекта (выздоровления или купирования состояния) или летального исхода.

Поскольку процессы терапевтического воздействия (профилактики и-или лечения) включают в себя применение автоматизированной системы поддержки принятия решения при определении рисков и классификации состояний и исходов, то появляется возможность для конкретного больного фиксировать (и далее – анализировать) градиент изменений и скорость изменения состояний в численной форме и тем самым оценивать эффективность профилактики и-или лечения в количественных формах, отражая качество терапевтического процесса.

Уровни напряженности функциональных систем организма

п/п

Значение LET (верхняя граница)

Степень напряжения регуляторных систем организма

Состояние организма

1

0,38

Оптимальный уровень (норма)

Хорошее

2

0,73

Умеренное напряжение

Удовлетворительное

3

1,35

Выраженное напряжение

Тяжелое

4

1,72

Резко выраженное напряжение

Крайне тяжелое (предагональное)

5

2,35

Перенапряжение

Крайне тяжелое (предагональное)

6

3

Резко выраженное перенапряжение

Терминальное (агональное)

7

3,72

Истощение регуляторных систем

Терминальное (агональное)

8

4,35

Резко выраженное истощение регуляторных систем

Предсостояние клинической смерти

9

>6

Возможен летальный исход

Клинической смерти

kalug1.wmf

Укрупненная информационно-аналитическая модель

К значениям показателей качества функционирования предлагаемой СППР ПТ предъявляются следующие требования:

– клиническая приемлемость и непротиворечивость;

– нижние пороговые значения показателей качества не должны быть меньше, чем у ранее разработанных и применяемых (с решающими правилами для сходных форм тромбоэмболии и-или на ином математическом аппарате). Таковыми в данном случае являются [7, 8] диагностическая чувствительность (ДЧ), диагностическая специфичность (ДС), диагностическая эффективность (ДЭ) с пороговыми значениями 0,8.

Обеспечение адекватности синтезированных решающих правил обусловливается двумя основными факторами:

– научно обоснованным сформированным множеством информативных признаков, обладающих требуемыми классификационными характеристиками и системно представляющих состояние организма;

– научно обоснованными и логически непротиворечивыми методами и алгоритмами структурно-параметрической идентификации (синтеза) решающих правил.

Вопросам формирования множества информативных признаков и упорядочивания его элементов по выбранным показателям посвящено множество исследований, рассмотренных в [6, 7].

Большинство из них предполагает:

– обязательное соблюдение принципов доказательной медицины (исключение составляют экспертные методы);

– использование одного из методов с учетом специфики структуры данных;

– обработку одномодальных признаков;

– обработку количественных признаков, представленных в непрерывной шкале значений.

В связи с этим предлагается осуществлять оценку информативности признаков различными методами, учитывающими их гетерогенность и модальность, а затем, упорядочив множество признаков по мере убывания показателя информативности для каждого из методов (частные кортежи признаков), получить искомое множество информативных признаков путем пересечения частных кортежей (или организации взвешенно-мажоритарного голосования между ними) и задания критерия, определяющего максимальный объем множества.

В качестве подобных методов предлагается использовать:

– Метод корреляционных предпочтений.

В каждом классе ωl вычисляются матрицы парной корреляции между признаками, которым ставятся в соответствие матрицы смежности Sl:

kal03.wmf,

где ri,j – коэффициент парной корреляции между признаками i и j, rpl – пороговые значения для коэффициентов парной корреляции в классах ωl.

Далее вычисляются значения матрицы Msp:

kal04.wmf,

которые используются для определения значений вектора Vsp:

kal05.wmf

(n – количество исходных признаков). В качестве меры информативности признака i принимается величина

kal06.wmf.

– Метод дискриминантных предпочтений.

Допустим, значения признаков принимают значения «true» («1») либо «false» (0) либо используется бинарное кодирование в алфавите {0,1}. В этом случае предлагается применять аналог полинома Габора в виде логического многочлена:

kalugF.tif,

где n – количество показателей, представленных в булевой форме; T – количество дизъюнкций; αt,i – логическая константа, позволяющая учитывать или не учитывать логическую переменную i в конъюнкции t (αt,i = true – показатель i учитывается, αt,i= false – показатель i не учитывается), zbi – признак i из {Zb}.

Приведенная формула идентифицируется с помощью аппарата логических нейронных сетей или любыми алгоритмами минимизации булевых функций. Затем, для каждого класса ωl определяем множество отличий {εb}l логических аппроксимантов от клинически подтвержденных ситуаций, по которым для каждого класса ωl признаки xi упорядочиваются и формируются l множеств характеристик для классов и соответствующие им множества рангов kal07.wmf

Итоговая информативность определяется как

kal08.wmf

В качестве элементов множества решающих правил предлагается использовать продукционные конструкции, позволяющие по выполнению (невыполнению) определенных условий осуществлять соотнесение состояния пациентов к определенным классам, – уровням напряженности функционального состояния или определенным патологическим состояниям.

Для случая, когда значения прямых или латентных признаков принадлежат нечетким множествам с базовыми переменными на непрерывной шкале разработаны методы нечеткого логического вывода [9].

Для решения подобных задач в случае представления признаков в форме логических переменных предлагается использовать либо ДСМ-метод [10], либо логический нечеткий вывод на основе лингвистических переменных, как наиболее приближенный к синдромальному подходу в медицине.

Использование ДСМ-метода в случае большого количества признаков (более 20) недостаточно продуктивно, поскольку возникают проблемы с вычислительными ресурсами организации полного перебора сочетаний всех признаков (более 220 и последующим степенным ростом) и выполнением необходимых условий выполнимости посылок правил ДСМ-индукции [11] в случае, если количество пациентов в обучающей выборке соизмеримо (одного порядка или меньше) с количеством анализируемых признаков. Подобные проблемы возникают и при выборе оптимальной конструкции лингвистической переменной.

В связи с этим синтез условий активации продукций с учетом указанной специфики «входной» информации предлагается осуществлять с помощью искусственных логических нейронных сетей [12], организованных на основе базовых парадигм метода группового учета аргументов – МГУА [13].

Таким образом, предлагаемая модель автоматизированной информационно-аналитической поддержки функционального состояния больного в до- и послеоперационный периоды позволяет на различных этапах технологии ведения больного в хирургическом отделении анализировать его функциональное состояние с помощью современных компьютерных технологий применения СППР и оперативно вмешиваться в процесс течения болезни и ее терапии. Отслеживание информационных потоков между отдельными частями модели позволяет формализовать и объективизировать терапевтический процесс, способствуя повышению эффективности операционного воздействия и качества лечения.

Предлагаемая модель апробировалась в хирургическом отделении Курской областной больницы для прогноза развития тромбоэмболии при эндопротезировании крупных суставов (показатели качества – диагностические чувствительности специфичности и эффективности превышали уровень 0,87).


Библиографическая ссылка

Калугина Н.М., Артеменко М.В., Мишустин В.Н., Щекина Е.Н. МОДЕЛЬ АВТОМАТИЗИРОВАННОЙ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКОЙ ПОДДЕРЖКИ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ БОЛЬНОГО В ДО- И ПОСЛЕОПЕРАЦИОННЫЙ ПЕРИОДЫ // Международный журнал прикладных и фундаментальных исследований. – 2017. – № 12-2. – С. 307-311;
URL: https://applied-research.ru/ru/article/view?id=12040 (дата обращения: 28.03.2024).

Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
(Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления)

«Фундаментальные исследования» список ВАК ИФ РИНЦ = 1,674