📄Работа №130260
Тема: Система поддержки принятия решений при постановке диагноза
Тип работы
Бакалаврская работа
Предмет
Математика
Объем:
33 листов
Год:
2016
Просмотров:
193
4550
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 4
1 Обоснование возможности создания медицинской системы
поддержки принятия решения 6
2 Моделирование системы поддержки принятия решения 8
2.1 Контроль и регуляция . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Алгоритм постановки диагноза . . . . . . . . . . . . . . . . . 9
2.3 Теория вероятностей и математическая статистика в диагно-
стике . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Обзор существующих экспертных систем диагностики . . . . 11
2.5 Обзор представления медицинских данных . . . . . . . . . . 12
2.6 Механизм вывода диагностического решения . . . . . . . . . 14
2.7 Проблема неопределенности информации диагностики . . . 15
2.8 Теоретико - вероятностный подход к задаче диагностики . . 16
3 Программная реализация 19
3.1 Использование оператора множественного выбора . . . . . . 19
3.2 Использование имитации динамических массивов . . . . . . 20
3.3 Применение классов, как объектов представления и обработ-
ки данных . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4 Тестирование системы поддержки принятия решений 24
4.1 Скалярное умножение при тестировании СППР . . . . . . . 24
4.2 Применение методов теории вероятностей и математической
статистики для решения тестовой задачи . . . . . . . . . . . 25
Заключение 27
Литература 28
Приложения 31
A База данных 31
B Пример организации выбора наиболее вероятного заболе-
вания с помощью оператора множественного выбора 32
C Описание класса Illnesses 33
1 Обоснование возможности создания медицинской системы
поддержки принятия решения 6
2 Моделирование системы поддержки принятия решения 8
2.1 Контроль и регуляция . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Алгоритм постановки диагноза . . . . . . . . . . . . . . . . . 9
2.3 Теория вероятностей и математическая статистика в диагно-
стике . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Обзор существующих экспертных систем диагностики . . . . 11
2.5 Обзор представления медицинских данных . . . . . . . . . . 12
2.6 Механизм вывода диагностического решения . . . . . . . . . 14
2.7 Проблема неопределенности информации диагностики . . . 15
2.8 Теоретико - вероятностный подход к задаче диагностики . . 16
3 Программная реализация 19
3.1 Использование оператора множественного выбора . . . . . . 19
3.2 Использование имитации динамических массивов . . . . . . 20
3.3 Применение классов, как объектов представления и обработ-
ки данных . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4 Тестирование системы поддержки принятия решений 24
4.1 Скалярное умножение при тестировании СППР . . . . . . . 24
4.2 Применение методов теории вероятностей и математической
статистики для решения тестовой задачи . . . . . . . . . . . 25
Заключение 27
Литература 28
Приложения 31
A База данных 31
B Пример организации выбора наиболее вероятного заболе-
вания с помощью оператора множественного выбора 32
C Описание класса Illnesses 33
📖 Введение
Одной из главных задач врача является правильная постановка ди-
агноза [1]. Современные технологии, внедренные в медицинскую диагно-
стику, позволяют существенно повлиять на постановку предварительно-
го диагноза у пациентов. Существуют различные подходы создания ме-
дицинских систем диагностики, например, системы поддержки принятия
решений (СППР), которые занимаются неформализованными задачами [2].
Такие задачи нацелены на выявление заболевания пациента. Особенность
каждого заболевания обусловлена разным набором симптомов и значени-
ями коэффициентов специфичности. В процессе работы СППР итоговые
оценки рассматриваемых заболеваний сравниваются с поступающими фак-
торами проявления симптомов и затем делаются выводы о состоянии об-
ласти медицинской диагностики.
Автоматизация получения логических выводов применима не только
в медицине, но и в других сферах [3]. Так имитационная модель постановки
диагноза становится все более обширной темой для изучения и проектиро-
вания решений, связанных с различным родом проблем: недостоверностью
и малым количеством информации диагностики, аргументацией выдвину-
того предположения, а также точностью представленной гипотезы.
В данной работе внимание уделяется именно медицинским эксперт-
ным системам, потому что задача поддержки принятия квалифицирован-
ного решения по поводу дифференциального диагноза является актуаль-
ной. Ускоренный темп жизни приводит к неправильному питанию и стрес-
совым состояниям, в связи с этим распространены заболевания поджелу-
дочной железы (ПЖ) [4]. Симптомы проявления таких заболеваний раз-
личные, зависят от многих факторов, в связи с чем существуют разногла-
сия по поводу диагностики результатов обследований.
Целью работы является создание автоматизированной СППР для
постановки диагноза у больных с заболеваниями ПЖ.
Процесс решения неформализованных задач не имеет четко пропи-
санного алгоритма, поэтому приходится применять различные методы и
подходы, которые не всегда приводят к нужному результату.
Для реализации поставленной цели ставятся следующие задачи, поз-
воляющие приблизить процесс автоматизированной диагностики к процес-
су диагностики осуществляемой экспертом:
• представить медицинские данные в удобном для использования виде;
• разработать программу для нахождения наиболее вероятного заболевания;
• найти способ решения проблемы неполноты входных данных при постановке диагноза;
• рассмотреть способ применения методов теории вероятностей и мате-
матической статистики при выявлении наиболее вероятного заболевания;
• проверить предложенный метод решения;
• сделать выводы о проделанной работе.
Возможность проверить адекватность результатов реализованных за-
дач обусловлена наличием анамнезов реальных больных. Обезличенные
данные предоставлены врачом - терапевтом Клинической больницы № 10 города Уфа.
агноза [1]. Современные технологии, внедренные в медицинскую диагно-
стику, позволяют существенно повлиять на постановку предварительно-
го диагноза у пациентов. Существуют различные подходы создания ме-
дицинских систем диагностики, например, системы поддержки принятия
решений (СППР), которые занимаются неформализованными задачами [2].
Такие задачи нацелены на выявление заболевания пациента. Особенность
каждого заболевания обусловлена разным набором симптомов и значени-
ями коэффициентов специфичности. В процессе работы СППР итоговые
оценки рассматриваемых заболеваний сравниваются с поступающими фак-
торами проявления симптомов и затем делаются выводы о состоянии об-
ласти медицинской диагностики.
Автоматизация получения логических выводов применима не только
в медицине, но и в других сферах [3]. Так имитационная модель постановки
диагноза становится все более обширной темой для изучения и проектиро-
вания решений, связанных с различным родом проблем: недостоверностью
и малым количеством информации диагностики, аргументацией выдвину-
того предположения, а также точностью представленной гипотезы.
В данной работе внимание уделяется именно медицинским эксперт-
ным системам, потому что задача поддержки принятия квалифицирован-
ного решения по поводу дифференциального диагноза является актуаль-
ной. Ускоренный темп жизни приводит к неправильному питанию и стрес-
совым состояниям, в связи с этим распространены заболевания поджелу-
дочной железы (ПЖ) [4]. Симптомы проявления таких заболеваний раз-
личные, зависят от многих факторов, в связи с чем существуют разногла-
сия по поводу диагностики результатов обследований.
Целью работы является создание автоматизированной СППР для
постановки диагноза у больных с заболеваниями ПЖ.
Процесс решения неформализованных задач не имеет четко пропи-
санного алгоритма, поэтому приходится применять различные методы и
подходы, которые не всегда приводят к нужному результату.
Для реализации поставленной цели ставятся следующие задачи, поз-
воляющие приблизить процесс автоматизированной диагностики к процес-
су диагностики осуществляемой экспертом:
• представить медицинские данные в удобном для использования виде;
• разработать программу для нахождения наиболее вероятного заболевания;
• найти способ решения проблемы неполноты входных данных при постановке диагноза;
• рассмотреть способ применения методов теории вероятностей и мате-
матической статистики при выявлении наиболее вероятного заболевания;
• проверить предложенный метод решения;
• сделать выводы о проделанной работе.
Возможность проверить адекватность результатов реализованных за-
дач обусловлена наличием анамнезов реальных больных. Обезличенные
данные предоставлены врачом - терапевтом Клинической больницы № 10 города Уфа.
✅ Заключение
В результате работы была разработана и реализована система под-
держки принятия решений. При этом были решены следующие задачи:
• была представлена база знаний заболеваний ПЖ в виде таблицы, где
каждой болезни соответствовал свой вектор столбец. Позиции векто-
ров принимают значения от 0 до 1 в зависимости от их значимости в симптокомплекса;
• разработаны и опробованы различные подходы к созданию медицин-
ской СППР, базируясь на применении оператора множественного вы-
бора и встроенных контейнеров;
• рассмотрена проблема неполноты входных данных, а также способ ее
решения с помощью присвоения веса симптомам;
• программно реализован поиск наиболее вероятного заболевания с по-
мощью двух методов: скалярного перемножения векторов и байесовского подхода;
• разработанный программный комплекс был опробован на данных ана-
мнезов обезличенных пациентов, где были прописаны симптомы и диа-
гностируемые заболевания. Байесовский метод оказался плохо приме-
ним для выборки малой размерности, поэтому был разработан новый
способ обработки данных, основанный на понятии скалярного произ-
ведения. Байесовский метод уступил скалярному произведению в точ-
ности 25% против 83, 3%;
Внедрение нового метода скалярного умножения в программную ре-
ализацию СППР позволили рассмотреть новый способ определения наибо-
лее вероятного заболевания и проверить его эффективность по сравнению
с уже известным методом.
держки принятия решений. При этом были решены следующие задачи:
• была представлена база знаний заболеваний ПЖ в виде таблицы, где
каждой болезни соответствовал свой вектор столбец. Позиции векто-
ров принимают значения от 0 до 1 в зависимости от их значимости в симптокомплекса;
• разработаны и опробованы различные подходы к созданию медицин-
ской СППР, базируясь на применении оператора множественного вы-
бора и встроенных контейнеров;
• рассмотрена проблема неполноты входных данных, а также способ ее
решения с помощью присвоения веса симптомам;
• программно реализован поиск наиболее вероятного заболевания с по-
мощью двух методов: скалярного перемножения векторов и байесовского подхода;
• разработанный программный комплекс был опробован на данных ана-
мнезов обезличенных пациентов, где были прописаны симптомы и диа-
гностируемые заболевания. Байесовский метод оказался плохо приме-
ним для выборки малой размерности, поэтому был разработан новый
способ обработки данных, основанный на понятии скалярного произ-
ведения. Байесовский метод уступил скалярному произведению в точ-
ности 25% против 83, 3%;
Внедрение нового метода скалярного умножения в программную ре-
ализацию СППР позволили рассмотреть новый способ определения наибо-
лее вероятного заболевания и проверить его эффективность по сравнению
с уже известным методом.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.