Предмет

Система поддержки принятия решений при постановке диагноза

Работа №	130260
Тип работы	Бакалаврская работа
Предмет	математика и информатика
Объем работы	33
Год сдачи	2016
Стоимость	4550 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено	177

Не подходит работа?

Узнай цену на написание

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

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.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!

ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ

КУРСОВЫЕ СТАТЬИ ВКР

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.

Литература

[1] Постовит Ю. Ф. Диагноз и диагностика в клинической медицине. Учеб.
пособие. Л.: ЛПМИ, 1991. 96 с.
[2] Мартемьянов Ю. Ф., Лазарева Т. Я. Экспертные методы принятия ре-
шений. Учеб. пособие. Тамбов: Изд-во Тамб. гос. тех. ун-та, 2010. 80 с.
[3] Телегина М. В., Янников И. М. Программная оболочка для создания
экспертных систем Grafexpert // Известия Южного федерального уни-
верситета. Технические науки. 2014. Вып. 16. С. 67–73.
[4] Пельц В. А. Современное состояние диагностики хирургического ле-
чения острого панкреатита // Сибирский медицинский журнал. 2010.
Т. 25, вып. 4. С. 27–32.
[5] Wallach J. B. Interpritation of Diagnostic tests / ed.by LIPPICONT
WILLIAMS&WILKINS. Philadelphia, Pa: Wolters Kluwer busines. 2007. 1026 p.
[6] Гриф М. Г., Юмчмаа А. Применение экспертных систем пульсовой ди-
агностики // Сборник научных трудов НГТУ. 2015. Вып. 3. С. 114–133.
[7] Сумина Ю. Е., Львович И. Я. Разработки логических моделей поста-
новки диагноза заболеваний молочных желез с помощью имитацион-
ного моделирования дерева решений // Вестник Воронежского госу-
дарственного технического университета. 2010. Т. 6, вып. 10. С. 41–50.
[8] Коровин Е. Н., Нехаенко Н. Е., Юрьева К. А. Математическое моде-
лирование процесса постановки диагноза ¾хронический аднексит¿ на
основе корреляционного и дискриминантного анализа // Вестник Во-
ронежского государственного технического университета. 2012. Т. 8,
вып. 9. С. 47–49.
[9] Бейли Н. Математика в биологии и медицине. М.: Мир, 1970. 327 c.
[10] Зильбернагль С., Деспопулос А. Наглядная физиология. М.: БИНОМ.
Лаборатория знаний, 2013. 408 с.
[11] Суринов А. Е., Баранов Э. Ф., Бугакова Н. С., Гельвановский М. И.,
Гохберг Л. М., Дианов М. А., Елизаров В. В., Житков В. Б., Забе-
лин В. Н., Иванов Ю. Н., Кевеш А. Л., Косарев А. Е., Лайкам К. Э.,
Масакова И. Д., Нестеров В. Н., Оксенойт Г. К., Рыбак О. П., Рябуш-
кин Б. Т., Татаринов А. А., Хорошилов А. В. Российский статистиче-
ский ежегодник 2015. М: 2015. 728 с.
[12] Журнал ¾Компьютерные вести On-line¿. Вып. 40, 2005 г. ¾Эволю-
ция экспертных систем. История и перспективы¿ [Электронный ре-
сурс]: URL:http://tpl-it.wikispaces.com/MYCIN (дата обращения: 15.05.2014).
[13] Aikins J. S., Kunz J. C., Shortliffe E. H. PUFF: an expert system for
interpretation of pulmonary function data. Computers and Biomedical
Research, vol. 16, 1983. P. 199–208.
[14] Басманов С. Н., Басманова А. А. Обзор эволюции экспертных систем
в медицине с точки зрения соответствия основным признакам //
Перспективы развития информационных технологий. 2014. Вып. 21. С. 126–130.
[15] Ле Н. В., Камаев В. А., Панченко Д. П., Трушкина О. А. Модель
представления знаний при создании медицинской экспертной системы
дифференциальной диагностики // Известия Волгоградского государ-
ственного технического университета. 2014. Т. 20, вып. 6. С. 41–50.
...