Система экспресс-диагностики тромбозов и эмболий
На правах рукописи
СЕРЖАНТОВА Наталья Александровна
СИСТЕМА ЭКСПРЕСС-ДИАГНОСТИКИ
ТРОМБОЗОВ И ЭМБОЛИЙ
Специальность 05.11.17 – Приборы, системы
и изделия медицинского назначения
Автореферат
диссертации на соискание ученой степени
кандидата технических наук
ПЕНЗА 2011
Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Пензенская государственная технологическая академия» (ПГТА) на кафедре «Информационные технологии и менеджмент в медицинских и биотехнических системах».
Научный руководитель кандидат технических наук, доцент
Сидорова Маргарита Александровна.
Официальные оппоненты: доктор технических наук, профессор
Бодин Олег Николаевич;
кандидат технических наук
Громиков Кирилл Владимирович.
Ведущая организация – ФГУП ФНПЦ «ПО Старт им. М. В. Проценко» (г. Заречный).
Защита диссертации состоится 24 ноября 2011 г., в 14 часов,
на заседании совета по защите докторских и кандидатских диссертаций Д 212.186.02 в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Пензенский государственный университет» по адресу: 440026,
г. Пенза, ул. Красная, 40.
С диссертацией можно ознакомиться в библиотеке федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Пензенский государственный университет». Автореферат размещен на сайтах университета www.pnzgu.ru и Министерства образования и науки РФ.
Автореферат разослан «___»________2011 г.
Ученый секретарь
диссертационного совета
доктор технических наук,
профессор Светлов А. В.
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы. Современное состояние науки и техники характеризуется широким использованием информационных технологий в различных направлениях научных исследований: в проекте расшифровки генома, в медицинской диагностике, в проблемах оптимизации для различных областей технических наук и экономики, в автоматизации распознавания речи, в исследованиях космоса и т.д. Решению многих вопросов, связанных с разработкой информационных систем, а также методик и алгоритмов решения различных практических задач способствовали работы ученых А. В. Красова, В. И. Дмитриева, Т. А. Гавриловой, Л. Ю. Куликовского, Э. К. Шахова и др.
Одной из наиболее перспективных областей применения достижений современных информационных технологий является медицина и медицинская техника. Различные аспекты теории и практики применения информационных технологий в медицине для создания медицинских информационных систем достаточно полно освещены в работах А. В. Гусева, В. Я. Гельмана, Б. А. Кобринского, Д. А. Новикова, А. П. Немирко, И. Н. Спиридонова, А. В. Самородова и др. Несмотря на большое количество проведенных исследований, остаются вопросы, требующие дополнительной проработки.
К ним относятся вопросы создания систем экспресс-диагностики, позволяющих исследовать слабоструктурированные клинические данные, производить постановку предварительного диагноза, а также осуществлять прогнозирование исходов заболеваний.
С точки зрения компьютерных технологий система экспресс-диагностики представляет собой компьютерную автоматизированную систему, целью которой является помощь практикующим специалистам, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности. Одним из социально значимых направлений разработки и внедрения систем экспресс-диагностики является исследование сердца и сосудов, так как заболевания этих органов занимают первое место в мире. Особое внимание при диагностике патологий сердечно-сосудистой системы следует обратить на тромбозы и эмболии, возникновение которых объединяет целый ряд заболеваний и осложнений, в том числе и такие грозные сердечно-сосудистые нарушения, как инфаркт миокарда, инсульт, тромбоэмболия легочной артерии и, как следствие, приводит к увеличению риска внезапной смерти.
Предупреждение и лечение тромбозов является одной из важнейших задач повседневной клинической практики. Широкое распространение тромбозов и эмболий, высокая летальность, разнообразие симптомов и осложнений, тяжелые последствия при несвоевременной диагностике нарушений подобного рода обусловливают актуальность исследований, направленных на поиск наиболее эффективных методов экспресс-диагностики данных патологий.
Целью работы является разработка системы экспресс-диагностики тромбозов и эмболий на базе современных медицинских технологий диагностики и прогнозирования исходов заболевания для повышения диагностической эффективности способов и средств обработки и оптимизации клинических данных, получаемых в медицинском технологическом процессе.
Задачи исследования. Для достижения поставленной цели необходимо решить следующие задачи:
- Анализ существующих способов измерения и оценки исследуемых параметров сердечно-сосудистой системы, выявление их недостатков и обоснование разработки нового способа диагностики тромбозов и эмболий.
- Разработка нового способа экспресс-диагностики, основанного на применении современных нейросетевых технологий, отличающегося комплексной математической предварительной обработкой параметров гемостаза с последующим выявлением наиболее информативных признаков.
- Разработка структуры и программного обеспечения системы экспресс-диагностики, производящей обработку, представление, передачу данных и поддержку принятия врачебных решений.
- Оценка эффективности работы системы экспресс-диагностики для подтверждения адекватности результатов ее работы.
- Внедрение разработанных способов и средств экспресс-диагностики тромбозов и эмболий.
Объектом исследования является система экспресс-диагностики патологий сердечно-сосудистой системы.
Предметом исследования является информационное, методическое и программно-алгоритмическое обеспечение системы.
Методы исследования. Для решения поставленных задач использовались методы системного анализа и теории биотехнических систем, принципы создания и функционирования программных средств вычислительной техники, методы алгоритмизации и объектно-ориентированного программирования для проведения исследований, методы оценки адекватности полученных результатов, а также интерпретации полученных экспериментальных данных.
Научная новизна. В диссертационной работе получены следующие результаты, характеризующиеся научной новизной:
- Разработан новый способ экспресс-диагностики, основанный на применении современных нейросетевых технологий, который отличается комплексной предварительной математической обработкой параметров гемостаза с выявлением наиболее информативных признаков и обеспечивает повышение диагностической эффективности работы системы.
- Предложен способ оптимизации клинических данных для решения задачи экспресс-диагностики, основанный на расчете значения эффективности диагностики и оценке «вклада» каждого отдельного параметра в увеличение эффективности.
- Предложен и программно реализован алгоритм диагностики тромбозов и эмболий, отличающийся тем, что на базе нейросетевых технологий производится анализ наиболее информативных параметров гемостаза, позволяющий классифицировать состояние пациента как нормальное и патологическое, а также прогнозировать исход заболевания.
- Разработаны структура и программное обеспечение системы экспресс-диагностики, производящей обработку, представление, передачу данных и поддержку принятия врачебных решений с помощью специализированного интерфейса.
На защиту выносятся:
- Способ проведения экспресс-диагностики, основанный на применении современных нейросетевых технологий, отличающийся комплексной предварительной математической обработкой параметров гемостаза с последующим выявлением наиболее информативных признаков.
- Способ оптимизации клинических данных для решения задачи экспресс-диагностики.
- Алгоритм нейросетевой диагностики тромбозов и эмболий, отличающийся тем, что на базе нейросетевых технологий производится анализ наиболее информативных параметров гемостаза, позволяющий классифицировать состояние пациента как нормальное или патологическое, а также прогнозировать исход заболевания.
- Структура и программное обеспечение системы экспресс-диагностики, производящей обработку, представление, передачу данных и поддержку принятия врачебных решений с помощью специализированного дружественного интерфейса.
Практическая значимость. Разработанная система экспресс-диагностики использована в клинической практике при лабораторном анализе, предварительной диагностике, прогнозировании течения заболеваний, а также в медицине критических состояний при планировании интенсивной терапии и для контроля ее эффективности. Кроме того, система используется в учебно-научном процессе кафедры «Информационные технологии и менеджмент в медицинских и биотехнических системах» ПГТА, занимающейся подготовкой специалистов по направлению «Биомедицинская инженерия» и кафедры «Анестезиология-реаниматология и скорая медицинская помощь» Пензенского института усовершенствования врачей (ПИУВ).
Применение данной системы позволяет сократить временные и материальные затраты на дорогостоящую диагностику тромбозов и эмболий, а также автоматизировать процесс прогнозирования исхода заболевания.
В круг пользователей системы входят практикующие врачи, персонал биохимических лабораторий, инженерный и преподавательский состав учреждений образования и здравоохранения, студенты специальностей медицинского и медико-технического профиля.
Внедрение результатов исследования. Результаты исследований
внедрены в клиническую практику ПИУВ, технологический процесс
ЗАО «Трибомаш» (г. Пенза), учебный процесс кафедры «Информационные технологии и менеджмент в медицинских и биотехнических системах» Пензенской государственной технологической академии и кафедры «Анестезиология-реаниматология и скорая медицинская помощь» ПИУВ.
Апробация работы. Научные и практические результаты диссертационной работы докладывались и обсуждались на конференции «Актуальные проблемы науки и образования», Пенза, 2008, 2011 гг.; на конференции «Информационные технологии в информатике, экономике, медицине и образовании», Пенза, 2007, 2008 гг.; на международной конференции студентов, аспирантов и молодых ученых «Радиоэлектроника, электротехника и энергетика», Москва, 2007–2009 гг.
Публикации. Основные теоретические и практические результаты диссертационной работы опубликованы в 27 статьях и тезисах докла-
дов, среди которых 8 публикаций в ведущих рецензируемых журналах,
рекомендованных ВАК РФ, 3 зарубежных публикаций на иностран-
ном языке.
Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка использованных источников, содержащего 135 наименований, и приложений. Общий объем работы составляет 185 страниц основного текста, в том числе 44 рисунка, 14 таблиц и 3 приложения.
Автор выражает благодарность кандидату медицинских наук, доценту кафедры «Анестезиология-реаниматология и скорая медицинская помощь» ПИУВ Л. А. Филипповой за предоставленные клинические данные параметров гемостаза и консультации по медицинским аспектам диссертационной работы.
СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность темы диссертационной работы, сформулированы цели и задачи исследования, научная новизна, практическая значимость, приводится краткое содержание работы по главам.
Первая глава диссертационной работы посвящена выявлению диагностического метода, подходящего для проведения инструментального обследования. Для решения данной задачи проведена систематизация методов диагностики тромбозов и эмболий. Разработана систематизация методов диагностики тромбозов и эмболий по характеру проведения исследований (рис. 1) и по локализируемой патологии (рис. 2).
На основании данных о процедуре диагностики тромбозов и эмболий разработан алгоритм постановки диагноза (рис. 3), отражающий методику проведения диагностических исследований.
Рис. 1. Систематизация методов диагностики тромбозов и эмболий
по характеру проведения исследования
Рис. 2. Систематизация методов по локализируемой патологии
Рис. 3. Алгоритм постановки диагноза
Данный алгоритм демонстрирует, что в общем случае для постановки точного диагноза при подозрении на тромбоз и/или тромбоэмболию необходимо использовать следующие способы измерения и оценки исследуемых параметров сердечно-сосудистой системы: рентгенография, электрокардиография, компьютерная томография (КТ), ультразвуковое исследование вен (УЗИВ), импедансная плетизмография (ИПГ), определение концентрации D-димера, эхокардиография (ЭхоКГ), вентиляционно-перфузное сканирование легких (ВПСЛ), оценка параметров гемодинамики, флебография, цветное доплеровское сканирование (ЦДС), ангиопульмонография (АПГ).
Вместе с тем процедура диагностики часто предполагает назначение повторных исследований, в случае, если результаты не являются очевидно нормальными либо не представляют собой крайний случай патологии. Поэтому данные методы не могут быть применены для экспресс-диагностики. Наиболее общую картину патологии не зависимо от локализации тромба дают методы лабораторной диагностики, которые и будут рассматриваться в дальнейшем. Для корректного анализа признаков, их правильного обобщения и выявления закономерностей медицинских процессов в качестве основы для построения системы экспресс-диагностики выбраны нейронные сети.
Вторая глава посвящена выбору структуры нейронных сетей, входящих в состав системы экспресс-диагностики, а также отбору информативных параметров, необходимых и достаточных для проведения предварительной диагностики.
В приложении к медицинской диагностике нейронные сети дают возможность значительно повысить специфичность метода, не снижая его чувствительность. Отличительное свойство нейросетей состоит в том, что они не программируются не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. В большинстве задач диагностики, дифференциальной диагностики, прогнозирования, выбора стратегии и тактики лечения и т.д. достаточно легко набрать необходимое количество примеров для обучения нейронной сети. Медицинские задачи практически всегда имеют несколько способов решения и «нечеткий» характер ответа, совпадающий со способом выдачи результата нейронными сетями.
Диагностика является частным случаем классификации событий, причем наибольшую ценность представляет классификация тех событий, которые отсутствуют в обучающем нейросеть наборе. В процессе диагностики тромбозов и эмболий нейросетевые системы применяются для определения наличия / отсутствия нарушений в системе гемостаза, выявляют конкретную патологию (собственно постановка диагноза), а также прогнозируют дальнейшее течение заболевания.
Анализ публикаций о применении нейросетевых технологий в медицине показывает, что практически отсутствуют какие-либо методологии разработки нейросетевых медицинских систем, о чем свидетельствует как отсутствие работ такого профиля, так и огромное разнообразие подходов к нейросетевым алгоритмам обучения и архитектурам нейронных сетей.
Выбор структуры нейронной сети, применяемой при экспресс-диагностике, предполагает выбор архитектуры (способа связи между нейронами), функции активации, алгоритма обучения, определение количества входов, выходов, слоев нейронной сети. Для решения проблемы выбора структуры нейронной сети предлагается использовать алгоритм, представленный на рис. 4.
Рис. 4. Алгоритм выбора структуры нейронной сети
В качестве критерия выбора оптимальной структуры предложена максимальная вероятность правильной классификации P параметров гемостаза, рассчитываемая по формуле
где N количество исследуемых наборов параметров; E ошибка первого рода; E ошибка второго рода.
Результаты расчетов вероятности правильной классификации для нейронных сетей различной структуры представлены в табл. 1.
Таблица 1
Сравнительный анализ работы нейронных сетей различной структуры
| Тип нейронной сети | Функция обучения | Функция адаптации | Критерий качества обучения | Функция активации | Вероятность правильной классификации | |
| 1 | 2 | 3 | 4 | 5 | 6 | |
| Feed-forward backprop | TRAINLM | LEARNGDM | MSE | TANSIG | 0,846 | |
| TRAINBR | LEARNGDM | MSEREG | LOGSIG | 0,846 | ||
| TRAINGDM | LEARNGDM | MSEREG | TANSIG | 0,885 | ||
| TRAINSCG | LEARNGDM | SSE | LOGSIG | 0,846 | ||
| TRAINLM | LEARNGD | SSE | LOGSIG | 0,923 | ||
| TRAINGDA | LEARNGD | SSE | PURELIN | 0,769 | ||
| TRAINR | LEARNGDM | MSE | LOGSIG | 0,692 | ||
| TRAINLM | LEARNGDM | MSEREG | PURELIN | 0,73 | ||
| TRAINGD | LEARNGDM | MSEREG | TANSIG | 0,308 | ||
| TRAINRP | LEARNGDM | MSEREG | PURELIN | 0,808 | ||
| TRAINGDM | LEARNGD | MSEREG | PURELIN | 0,192 | ||
Окончание табл. 1
| 1 | 2 | 3 | 4 | 5 | 6 |
| Cascade-forward backprop | TRAINLM | LEARNGDM | MSE | TANSIG | 0,23 |
| TRAINGDM | LEARNGDM | MSEREG | LOGSIG | 0,69 | |
| TRAINGDM | LEARNGDM | MSEREG | TANSIG | 0,077 | |
| TRAINSCG | LEARNGDM | SSE | LOGSIG | 0,04 | |
| TRAINGD | LEARNGD | MSE | LOGSIG | 0,769 | |
| TRAINGDX | LEARNGD | SSE | TANSIG | 0,269 | |
| Elman backprop | TRAINLM | LEARNGDM | MSE | TANSIG | 0,19 |
| TRAINGDM | LEARNGDM | MSEREG | TANSIG | 0,69 | |
| TRAINSCG | LEARNGDM | SSE | LOGSIC | 0,692 | |
| TRAINLM | LEARNGD | SSE | LOGSIG | 0,69 | |
| TRAINGD | LEARNGD | SSE | PURELIN | 0,15 |
Результатом проведенных исследований стало обоснование выбора нейронной сети прямой передачи сигнала (Feed-forward backprop) с логарифмической сигмоидной функцией активации (LOGSIG) и алгоритмом обучения Левенберга–Марквардта (TRAINLM), структура которой представлена на рис. 5. Характеристики нейронной сети приведены в табл. 2.
Рис. 5. Структура нейронной сети
Таблица 2
Характеристики нейронной сети
| Тип нейронной сети | Сеть прямой передачи сигнала (Feed-forward backprop) |
| Количество слоев | 2 |
| Количество нейронов в первом слое | 10 |
| Количество нейронов во втором слое | 2 |
| Функция обучения | TRAINLM |
| Алгоритм обучения | ЛевенбергаМарквардта |
| Функция активации | Логарифмическая сигмоидная (LOGSIG) |
| Критерий качества обучения | MSE (Mean Squared Error) |
Математически результат работы данной нейронной сети можно представить в виде выражения
,
где 
выходной сигнал k-го нейрона сети; 
, 
наборы значений весовых коэффициентов в слоях нейронной сети; 
функция активации нейронной сети; 
выходной сигнал скрытого слоя; 
входной сигнал нейронной сети.
Целевая функция записывается в виде, отвечающем существованию единственной обучающей выборки:
где 
Предварительные исследования показали, что комплекс нейронных сетей, обученный на модельных данных, взятых из специализированных источников, эффективно выполняет задачи разделения параметров гемостаза на нормальные и патологические. При этом анализировались следующие входные параметры: время свертывания крови, эхитоксовое время, антитромбин III, активированное парциальное тромбопластиновое время, активированное парциальное тромбопластиновое время в контрольном образце, тромбиновое время, ортофенантролин, клампинг-тест (тест склеивания стафилококков), показатель агрегационной активности одного тромбоцита при индукции агрегации разведением гемолизата 102, показатель агрегационной активности одного тромбоцита при индукции агрегации разведением гемолизата 106, индекс активации тромбоцитов, хагеман-зависимый фибринолиз, индуцированный стрептокиназой эуглобулиновый фибринолиз, протромбиновый индекс, фибриноген, количество тромбоцитов.
Для процесса экспресс-диагностики такое количество входных параметров является избыточным. В связи с этим выполнялась оптимизация клинических данных с целью сокращения трудоемкости исследования. Анализ коэффициентов корреляции показал, что большинство параметров у здоровых пациентов слабо коррелировано, а сокращение количества анализируемых параметров на основе исследований выборки патологических значений нецелесообразно, так как может привести к ошибкам распознавания нормальных значений. В связи с этим проводилась оценка «вклада» каждого параметра в конечный результат диагностики состояния пациента. При этом применялся алгоритм «отсева» малоинформативных параметров (рис. 6), заключающийся в том, что производится вычислительная диагностика с использованием всех параметров; эффективность диагностики определялась по формуле
где эффективность диагностики; Ппр – процент правильных диагнозов; Ш1 – штраф за ошибку первого рода; П1 – процент ошибок первого рода; Ш2 – штраф за ошибку второго рода; П2 – процент ошибок второго рода; затем исключается один из параметров и по тем же исходным данным вновь ставится диагноз и определяется эффективность. Если новое значение эффективности больше предыдущего, то исключается другой параметр и опять определяется эффективность. Так продолжается до тех пор, пока не сформируется набор параметров, при котором исключение из набора любого параметра или добавление параметра в набор приведет к уменьшению значения.
На основании проведенных исследований выявлены следующие информативные параметры: время свертывания крови, эхитоксовое время, активированное парциальное тромбопластиновое время в контрольном образце, тромбиновое время, ортофенантролин, клампинг-тест, показатель агрегационной активности одного тромбоцита при индукции агрегации разведением гемолизата 106, хагеман-зависимый фибринолиз, индуцированный стрептокиназой эуглобулиновый фибринолиз, количество тромбоцитов.
Рис. 6. Алгоритм «отсева» малоинформативных параметров
Третья глава посвящена разработке системы экспресс-диагностики, а также оценке качества эксперимента с применением стандартного и расширенного статистического аппарата.
Система экспресс-диагностики позволяет производить обработку, представление и передачу данных. Структура разработанной системы имеет вид, представленный на рис. 7, и отличается рядом особенностей.
Рис. 7. Структура системы экспресс-диагностики тромбозов и эмболий
База данных содержит информацию о личных данных пациента, данных лабораторного исследования, промежуточных выводов системы о диагнозе (не доступных пользователю, но открытых для инженера и эксперта), сведения о диагнозе. База данных разработана с применением средств VBA. Ввод данных в базу осуществляется с помощью форм.
Нейронные сети, входящие в состав системы экспресс-диагностики, созданы с учетом количества входных параметров, решаемой задачи, выбранной архитектуры и алгоритма обучения. Обучение и тестирование проводились на реальных клинических данных. Для инициализации нейронных сетей был выполнен ряд операций: сформировано обучающее множество, содержащее как нормальные, так и патологические комбинации значений 10 параметров свертывания крови, приведенных ранее; создана матрица желаемых результатов; проводились обучение и контроль нейронных сетей, созданных с использованием средств пакета MATLAB. Сравнивая результат работы нейронной сети с контрольным МЖР (табл. 3), проводилась предварительная оценка эффективности ее работы.
Таблица 3
Результаты работы нейронной сети и матрица желаемых результатов
| Результат работы НС | Контрольная МЖР | ||
| Патология | Норма | Патология | Норма |
| 3,79E-06 | 0,99997 | 0 | 1 |
| 1,99E-05 | 0,99999 | 0 | 1 |
| 0,99998 | 1,73E-05 | 1 | 0 |
| 0,79459 | 0,027613 | 1 | 0 |
При работе системы множества для анализа формируются автоматически. Для пользователя предусмотрена система помощи, указывающая последовательность действий. Данные импортируются в MATLAB, обрабатываются нейронной сетью и возвращаются в MS Excel, где производится автоматический анализ результатов и ставится предварительный диагноз. Пример работы представлен на рис. 8.
Рис. 8. Пример работы системы экспресс-диагностики тромбозов
и эмболий
Для автоматизации выполнения данных операций разработан специализированный интерфейс пользователя, обеспечивающий взаимодействие таблиц базы данных, формирование множеств для анализа, обмен данными между приложениями, получение справочной информации, интерпретацию результатов. Разработана панель инструментов. Интерфейс реализован с использованием средств VBA и GUI MATLAB.
Алгоритм работы нейронных сетей представлен на рис. 9.
Для оценки качества модели минимальный объем выборки составляет 5 результатов исследований. Для проведения анализа качества использовали 26 результатов нейросетевого исследования. В качестве расчетных значений выбрали значения матрицы желаемых результатов работы нейронной сети, в качестве фактических – собственно результаты работы.
Был произведен расчет основных статистических характеристик: максимального и минимального значений, моды, медианы, среднего значения, СКО, дисперсии, коэффициента вариации, ошибки СКО. Сравнение расчетных и фактических значений СКО, дисперсии, средних значений позволяет сделать вывод о близости законов распределения. Значения коэффициентов вариации (Cv = 65,28 %) и ошибки СКО (Cs = 16,32) свидетельствуют о сильном варьировании рядов данных и значительных погрешностях при оценке статистических характеристик, поэтому оценить качество эксперимента с использованием стандартного статистического аппарата не представляется возможным.
Рис. 9. Алгоритм работы нейронных сетей
Для оценки результатов работы нейронных сетей был использован расширенный аппарат статистического анализа, опирающийся на байесовский подход.
При оценке качества эксперимента введены следующие обозначения:
– уровень значимости;
a – частота регистрации патологии первым выходом нейронной сети;
b – частота регистрации нормы вторым выходом нейронной сети;
c – частота отсутствия патологии на первом выходе нейронной сети;
d – частота отсутствия нормы на втором выходе нейронной сети;
Yф1i – i-е значение на первом выходе («патология») нейронной сети;
Yф2i – i-е значение на втором выходе («норма») нейронной сети;
Yр1i – i-е значение первого столбца матрицы желаемых результатов;
Yр2i – i-е значение второго столбца матрицы желаемых результатов;
D1 – патология;
D2 – норма;
S – симптокомплекс, совокупность параметров на основе которых производится нейросетевой анализ;
n – общее количество комбинаций параметров в выборке;
P(D1) – априорная вероятность развития патологии, определяется
по первому столбцу МЖР;
P(D2) – априорная вероятность нормы, определяется по второму столбцу МЖР;
P(S/D1) – условная вероятность развития патологии;
P(S/D2) – условная вероятность нормы.
Для оценки качества эксперимента была предложена математическая структура записи показателей информативности:
P(S/D1) = a/(a + c); P(S/D2) = b/(b + d); P(D1) = (a + b)/n; P(D2)=(c + d)/n.
Дополнительно были рассчитаны:
коэффициент корреляции  ; количество информации по Шеннону  ; | диагностические коэффициенты  информативность по Кульбаку  |
Результаты расчетов приведены в табл. 4.
Таблица 4
Результаты расчетов показателей качества эксперимента
| Частоты | Условные вероятности | Априорные вероятности | Критерии информативности | ||||||||
| По выходу 1 | По выходу 2 | По результатам работы НС | По МЖР | Для нормы | Для патологии | ||||||
| a | 7 | c | 17 | P(S/D1) | 0,29 | P(D1) | 0,31 | r | 0,42 | ||
| 0,08 | 0,03 | ||||||||||
| b | 17 | d | 7 | P(S/D2) | 0,71 | P(D2) | 0, 69 | ДК1 | 3,85 | ДК2 | 3,85 |
| Iк1 | 1,61 | Iк2 | 1,61 | ||||||||
Полученные результаты считают информативными, если |r| 0,25; |ДК| 3; |Iк| 0,25. Таким образом, результаты работы нейронной сети можно считать информативными по совокупности критериев.
Для оценки работы нейронной сети подсчитана эффективность нейросетевой системы, включающая такие показатели, как чувствительность и специфичность.
Чувствительность Se = TP/(TP + FN)= 7/8 = 0,88 (или 88 %).
Специфичность Sp = TN/(TN + FP)= 17/18 = 0,94 (или 94 %).
Диагностическая эффективность
ДЭ = (TP + TN)/(TP + FN +TN +FP) = 24/26 = 0,92 (или 92 %).
Чувствительность, специфичность и диагностическая эффективность классификации параметров на нормальные и патологические имеют достаточно высокие значения, поэтому работу нейронных сетей можно признать эффективной.
Четвертая глава диссертации посвящена вопросам практической реализации результатов работы. Описан способ диагностики патологий системы гемостаза с помощью нейронных сетей, отличающийся тем, что комплексно, одновременно, кроме уровня активности антитромбина АТ-III, агрегации тромбоцитов и содержания продуктов деградации фибрина и фибриногена, определяют время свертывания крови, эхитоксовое время, активированное парциальное (частичное) тромбопластиновое время, тромбиновое время, ортофенантролин, хагеман-зависимый фибринолиз, индуцированный стрептокиназой эуглобулиновый фибринолиз, протромбиновый индекс для любой предполагаемой патологии из ограниченного набора; для конкретной патологии проводят анализ и статистическую обработку числовых значений параметров гемостаза, сокращая количество входных показателей до необходимого и достаточного количества; статистически отобранные данные подают на вход нейронных сетей, с помощью которых производят постановку предварительного диагноза, дифференцирование нескольких патологий и/или прогнозирование исхода заболевания. Алгоритм статистической обработки представлен на рис. 10.
Рис. 10. Алгоритм статистической обработки значений
параметров гемостаза
Приведено описание нейросетевой системы экспресс-диагностики. Нейросетевая система исследования параметров гемостаза предназначена для предварительной диагностики нарушений свертывания крови – тромбозов и эмболий и прогнозирования исходов данных патологий.
Система имеет в составе базу данных, содержащую таблицу сведений о пациентах, таблицу сведений о параметрах гемостаза, таблицу диагнозов; блок нейронных сетей, производящих классификацию входных данных на нормальные и патологические; блок интерпретации результатов, переводящий цифровые значения результатов нейросетевого анализа в текстовые сообщения о диагнозе; а также интерфейс пользователя, обеспечивающий взаимодействие указанных блоков и позволяющий автоматизировать процесс диагностики.
Апробация данной системы проводилась на реальных клинических данных, предоставленных кафедрой «Анестезиология-реаниматология и скорая медицинская помощь» Пензенского института усовершенствования врачей.
Для оценки работоспособности системы были использованы значения параметров гемостаза 50 пациентов, не страдающих нарушениями гемостаза, 20 пациентов с расстройствами системы гемостаза, сопровождающимися гипокоагуляцией, 50 пациентов с расстройствами системы гемостаза, сопровождающимися гиперкоагуляцией. Проведенные исследования показали высокую диагностическую эффективность данной системы. Система внедрена в учебный процесс кафедры «Анестезиология-реаниматология и скорая медицинская помощь» Пензенского института усовершенствования врачей в качестве методического пособия для обучения специалистов медицинского и технического профиля с целью повышения их квалификации и для развития навыков работы с компьютерной техникой.
Разработанный способ диагностики патологий системы гемостаза с помощью нейронных сетей внедрен в клиническую практику. Полученные результаты использованы для создания автоматизированного рабочего места врача интенсивной терапии и мониторинга параметров гемостаза на основе нейросетевых технологий.
Результаты проведенных исследований внедрены в технологический процесс ЗАО «Трибомаш».
ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ
1. Проведен анализ существующих способов измерения и оценки информационных параметров сердечно-сосудистой системы, который показал, что среднее значение диагностической эффективности этих способов не превышает 80 %, и позволил сформулировать требования к разработке
и реализации нового способа диагностики тромбозов и эмболий.
2. Разработан новый способ экспресс-диагностики, основанный на применении современных нейросетевых технологий, отличающийся комплексной математической предварительной обработкой параметров гемостаза с последующим выявлением наиболее информативных признаков, обеспечивающий повышение диагностической эффективности работы системы.
3. Предложен способ оптимизации информационных данных для решения задачи экспресс-диагностики, основанный на расчете значения эффективности диагностики и оценке «вклада» каждого отдельного параметра в увеличение эффективности, позволивший выявить 10 информативных параметров гемостаза.
4. Предложен и программно реализован алгоритм нейросетевой диагностики тромбозов и эмболий, отличающийся тем, что на базе нейросетевых технологий производится анализ наиболее информативных параметров гемостаза, позволяющий классифицировать состояние пациента как нормальное и патологическое, а также прогнозировать исход заболевания.
5. Разработаны структура и программное обеспечение системы экспресс-диагностики, производящей обработку, представление, передачу данных и поддержку принятия врачебных решений с помощью специализированного дружественного интерфейса, обеспечивающего автоматизацию следующих операций: ввод данных в базу; экспорт данных в нейросетевой блок; импорт результатов нейросетевого анализа в базу данных; интерпретация результатов работы нейронных сетей; постановка предварительного диагноза; получение справочной информации о скрининговой системе.
6. Экспериментально подтверждена эффективность нейросетевой диагностики тромбозов и эмболий. Чувствительность метода составила 88 %, специфичность – 94 %, диагностическая эффективность (безошибочность) – 92 %.
Полученные результаты использованы в клинической практике для создания автоматизированного рабочего места врача интенсивной терапии и мониторинга параметров гемостаза на основе нейросетевых технологий, а также применяются в качестве методического пособия для обучения специалистов медико-технического профиля с целью повышения их квалификации.
СПИСОК НАУЧНЫХ РАБОТ,
ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ
Публикации в изданиях, рекомендованных ВАК РФ
- Ерушова (Сержантова), Н. А. Система скринингового исследования параметров гемостаза / М. А. Сидорова, Н. А. Ерушова // Известия ЮФУ. Технические науки. Медицинские информационные системы. – 2008. № 5. С. 72–75.
- Ерушова (Сержантова), Н. А. Исследование особенностей применения инструментальных методов диагностики тромбоэмболии / М. А. Сидорова, Н. А. Ерушова // Медицинская техника. – 2009. № 1. С. 5–9.
- Erushova (Serzhantova), N. A. Study of Specificity of Application of Instrumental Methods to Thromboembolism Diagnosis / M. A. Sidorova, N. A. Erushova // Biomedical Engineering. 2009. Vol. 43. N. 1. P. 69.
- Ерушова (Сержантова), Н. А. Обоснование выбора параметров нейросетевой скрининговой диагностики нарушений системы гемостаза / М. А. Сидорова, Н. А. Ерушова // Мехатроника, автоматизация, управление. 2009. № 8. – С. 59–66.
- Ерушова (Сержантова), Н. А. Анализ наиболее информативно-значимых параметров гемостаза при диагностике нарушений свертываемости крови / М. А. Сидорова, Н. А. Ерушова // Известия ЮФУ. Технические науки. Перспективы медицинского приборостроения. 2009. № 9. – С. 149–153.
- Сержантова, Н. А. Особенности применения инструментальных методов измерения вязкости крови человека / М. А. Сидорова, Н. А. Ерушова // Известия ЮФУ. Технические науки. Медицинские информационные системы. – 2010.
№ 8. – C. 186191. - Сержантова, Н. А. Диагностика и прогнозирование исходов перитонита с помощью нейросетевой системы исследования параметров гемостаза / М. А. Сидорова, Н. А. Сержантова, Л. А. Филиппова // Медицинская техника. 2011.
№ 2. С. 42–74. - Serzhantova, N. A. Diagnosis and Prognosis of Peritonitis Outcome Using a Neural-Network System for Hemostasis Parameter Examination / M. A. Sidorova, N. A. Serzhantova, L. A. Filippova // Biomedical Engineering. 2011. Vol. 45. N. 2. P. 7275.
Публикации в других изданиях
- Eruschova (Sergeantova), N. A. Anwenoung der neuronetz-technologien in der diagnostik der parameter von hmostase / M. A. Sidorova, N. A. Eruschova // Internationaler medizinischer kongress «Euromedica – Hannover 2008». Problem Abstracts – Germany ; Hannover : Hannover Congress Centrum. 2008. P. 81–82.
- Ерушова (Сержантова), Н. А. Методы и средства измерения и анализа информативных параметров тромбоэмболии / М. А. Сидорова, Н. А. Ерушова, С. А. Калмыкова // Радиоэлектроника, электротехника и энергетика : сб. тр.
XIII Междунар. науч.-техн. конф. студентов и аспирантов : в 3 т. – М. : Издательский дом МЭИ, 2007. – Т. 1. С. 299300. - Ерушова (Сержантова), Н. А. Некоторые аспекты применения средств медицинской техники для измерения параметров биологического объекта / М. А. Сидорова, Н. А. Ерушова, С. А. Калмыкова // Динамические и технологические проблемы механических конструкций и сплошных сред : сб. материалов
XIII Междунар. симп. М. : Изд-во МАИ, 2007. С. 107108. - Ерушова (Сержантова), Н. А. Применение нейронных сетей для повышения качества диагностики тромбозов и эмболий на основе параметров биохимии крови / М. А. Сидорова, Н. А. Ерушова, Т. В. Истомина // Надежность и качество : тр. Междунар. симп. : в 2 т. Пенза : Изд-во Пенз. гос. ун-та, 2007. –
Т. 2. С. 154155. - Ерушова (Сержантова), Н. А. Компьютерные технологии для диагностики патологий сердечно-сосудистой системы / М. А. Сидорова, Н. А. Ерушова // Современные информационные технологии : сб. ст. Междунар. науч.-техн. конф. Пенза : Изд-во ПГТА, 2007. С. 160–161.
- Ерушова (Сержантова), Н. А. Инструментальные методы диагностики тромбоэмболии / М. А. Сидорова, Н. А. Ерушова // Актуальные проблемы науки и образования: сб. материалов науч. конф. студентов, аспирантов и молодых ученых : в 2 ч. Пенза : Изд-во ПГТА, 2008. Часть II. – С. 4550.
- Ерушова (Сержантова), Н. А. Особенности анализа клинических данных при нейросетевом исследовании параметров гемостаза / М. А. Сидорова, Н. А. Ерушова // Радиоэлектроника, электротехника и энергетика : сб. тр.
XV Междунар. науч.-техн. конф. студентов и аспирантов : в 3 т. – М. : Издательский дом МЭИ, 2009. Т. 1. С. 233–235. - Ерушова (Сержантова), Н. А. Сравнительный анализ работы нейронных сетей различной архитектуры при решении задач классификации биомедицинских данных / Н. А. Ерушова, Ю. А. Фролова // Актуальные проблемы науки и образования : сб. материалов II научной конф. студентов, аспирантов и молодых ученых : в 2 ч. Пенза : Изд-во ПГТА, 2009. – Часть II. С. 6971.
- Сержантова, Н. А. Обоснование выбора специализированных программных пакетов для создания скрининговой системы, предназначенной для выявления нарушений гемостаза // Инновационные технологии в экономике, информатике и медицине : сб. материалов VI Межрег. науч. конф. студентов, аспирантов и молодых ученых. – Пенза : Изд-во ПГТА, 2009. – С. 6264.
Научное издание
Сержантова Наталья Александровна
Система экспресс-диагностики тромбозов
и эмболий
Специальность 05.11.17 – Приборы, системы
и изделия медицинского назначения
Подписано в печать 20.10.11. Формат 60x841/16.
Усл. печ. л. 1,16. Заказ № 656. Тираж 100.
_______________________________________________________
Издательство ПГУ.
440026, Пенза, Красная, 40.
Тел./факс: (8412) 56-47-33; e-mail: [email protected]
