Scientific journal
International Journal of Applied and fundamental research
ISSN 1996-3955
ИФ РИНЦ = 0,564

MODEL OF THE AUTOMATED INFORMATION AND ANALYTICAL SUPPORT OF A FUNCTIONAL CONDITION OF THE PATIENT IN BEFORE AND AFTER OPERATIONAL THE PERIODS

Kalugina N.M. 1 Artemenko M.V. 1 Mishustin V.N. 2 Shchekina E.N. 1
1 Southwest State University
2 Kursk State Medical University
2068 KB
Article is devoted to a problem of increase in efficiency of operation and the subsequent recovery treatment-and-prophylactic process by development and a research of model of information and analytical support of a functional condition of the patient at various technological stages of maintaining the patient. The model includes the main modules: formation of the anamnesis, before and after operational inspections, assessment of risk of emergence and development of pathological states and outcomes (levels of a functional state), diagnostics (forecast) of states and outcomes, prevention and therapy, operational influence. The offered block diagram assumes use of the automated system of support of decision-making for formation of recommendations about forecasting, treatment and prevention of various pathological forms of physiological systems of an organism in before and after operational the periods, estimated as belonging of a functional state to a certain level (the technique of definition and the short characteristic of levels is considered). Materials of article can be used in clinical conditions and educational process of professional development of health workers.
a functional condition of the person
the automated systems of support of decision-making
information model
analytical processing

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).