Помощь студентам в учебе
ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ АНАЛИЗА ДАННЫХ ЭЛЕКТРОНЕЙРОМИОГРАФИЧЕСКИХ ИССЛЕДОВАНИЙ
|
Реферат 2
Обозначения и сокращения 5
Введение 6
Актуальность работы 6
Цели и задачи 7
1. Обзор предметной области 9
1.1. Нервная система человека 9
1.2. Электронейромиография (ЭНМГ) 10
1.3. Полинейропатия (полиневропатия) 13
2. Подготовка и изучение данных 16
2.1. Парсинг данных 17
2.2. Описание признакового пространства 19
2.3. Распределения признаков 21
3. Предобработка данных 23
3.1. Пропуски 23
3.2. Дубликаты 24
3.3. Выбросы (Outli ers) 24
3.4. Приведение данных к единой системе измерения 29
3.5. Стандартизация данных 29
3.6. Корреляционный анализ 29
4. Классификация 32
4.1. Выбор моделей классификации и подбор параметров 32
4.2. Метрики качества 35
4.3. Постановка задачи классификации 37
4.4. Разделение данных для обучения 37
4.5. Обучение на наборе данных из 38 признаков 39
4.6. Обучение на наборе данных из 19 признаков 46
5. Результаты 53
5.1. Повышение качества классификации 53
5.2. Новый прототип ЭНМГ-исследования 55
Заключение 57
Список использованной литературы 58
Приложение 1. Используемые библиотеки 61
Обозначения и сокращения 5
Введение 6
Актуальность работы 6
Цели и задачи 7
1. Обзор предметной области 9
1.1. Нервная система человека 9
1.2. Электронейромиография (ЭНМГ) 10
1.3. Полинейропатия (полиневропатия) 13
2. Подготовка и изучение данных 16
2.1. Парсинг данных 17
2.2. Описание признакового пространства 19
2.3. Распределения признаков 21
3. Предобработка данных 23
3.1. Пропуски 23
3.2. Дубликаты 24
3.3. Выбросы (Outli ers) 24
3.4. Приведение данных к единой системе измерения 29
3.5. Стандартизация данных 29
3.6. Корреляционный анализ 29
4. Классификация 32
4.1. Выбор моделей классификации и подбор параметров 32
4.2. Метрики качества 35
4.3. Постановка задачи классификации 37
4.4. Разделение данных для обучения 37
4.5. Обучение на наборе данных из 38 признаков 39
4.6. Обучение на наборе данных из 19 признаков 46
5. Результаты 53
5.1. Повышение качества классификации 53
5.2. Новый прототип ЭНМГ-исследования 55
Заключение 57
Список использованной литературы 58
Приложение 1. Используемые библиотеки 61
Актуальность работы
Во всем мире отмечается неуклонный рост числа заболеваний нервной системы, относимых вследствие своей распространенности и последствий к категории социально значимых - сосудистые заболевания мозга, нейродегенеративные заболевания, эпилепсия, рассеянный склероз, черепно-мозговая травма, нейропатии и инвалидизация вследствие неврологических заболеваний. По прогнозам Всемирной организации здравоохранения, неврологические и психические заболевания по числу больных и финансовым затратам на лечение и реабилитацию в ближайшие 10-15 лет переместятся на первое место, опередив сердечно-сосудистую и онкологическую патологии.
Важнейшими факторами, определяющими высокое социальное бремя заболеваний нервной системы, являются неуклонное старение населения, а также высокие показатели инвалидизации больных с поражением нервной системы. Таким образом, решение комплекса проблем (диагностики, лечения, профилактики, реабилитации), связанных с заболеваниями центральной и периферической нервной системы, являющихся одним из ключевых социальных приоритетов государства, позволят в целом улучшить показатели заболеваемости, смертности и инвалидизации населения, увеличить продолжительность и качество жизни населения, а также снизить общие затраты на здравоохранение.^]
Согласно статистике Министерства здравоохранения Российской федерации неврологическими заболеваниями страдает более 8,5 млн.чел. На рисунке 1.1 представлены абсолютные показатели болезней нервной системы в сравнении с другими популярными заболеваниями за 2016-2017 год по всей Российской федерации.
В настоящее время существует множество методов исследования нервной системы: метод вызванных потенциалов, электроэнцефалография, магнитоэнцефалография, позитивно-эмиссионная томография, магнитно-резонансная томография,
термоэнцефалоскопия, а также электронейромиография. [3]
ЭНМГ (электронейромиография) - диагностическая процедура, позволяющая оценить состояние мышц и периферической нервной системы. Она дает возможность максимально точно диагностировать различные неврологические заболевания нервов верхних и нижних конечностей человека, заболеваний спинного мозга, а, также оценить состояние мышц и выявить такие заболевания, как плексопатия, полиневропатия, туннельный синдром, невропатия, радикулопатии, миастения, миопатия и другие. [4]
Данный метод очень эффективен и принят в общей практике многими неврологами при исследовании периферической нервной системы. Наблюдая динамику и эффективность лечения с помощью электронейромиографии, становится проще диагностировать многие заболевания. Расшифровать результаты электронейромиографии (ЭНМГ) может только квалифицированный специалист, который сверяет полученные показания с нормой, определяет степень отклонения и на основании этих данных составляет заключение.
Цели и задачи
Главная цель данной работы - это создание и внедрение прототипа системы поддержки принятия решений для диагностики полинейропатии.
Для достижения цели научного исследования и реализации автоматизированной информационной системы для постановки заключения на основании данных электронейромиографических исследований необходимо решить ряд задач:
1. Изучение предметной области. Поиск и исследование реальных медицинских данных, консультация с врачом-неврологом, анализ материалов и существующих научных исследований по данной теме;
2. Сбор файлов обследований и определение необходимых признаков для дальнейшей работы;
3. Разработка программы-парсера для извлечения данных и преобразование их в удобное для работы признаковое пространство;
4. Изучение данных (описательные статистики, корреляционный анализ);
5. Предобработка данных (заполнение пропусков, работа с outliers, нормализация данных, проверка на мультиколлинеарность и т.д.)
6. Решение задачи классификации с использованием алгоритмов машинного обучения
7. Оптимизация существующего алгоритма диагностики полинейропатии
8. Создание прототипа системы поддержки принятия решений для диагностики полинейропатии
9. Внедрение в опытную эксплуатацию. Тестирование системы на реальных медицинских данных и совершенствование её показателей.
Объект исследования: пациенты с предполагаемым диагнозом «полинейропатия».
Предмет исследования: данные ЭНМГ-исследований.
Научная новизна данной работы состоит в использовании методов машинного обучения в ЭНМГ-исследованиях и диагностике полинейропатии.
Практическая значимость исследования заключается в том, что использование методов машинного обучения в ЭНМГ-исследованиях окажет поддержку принятия решений при постановке диагноза врачом-экспертом, таким образом минимизируется человеческий фактор и повышается точность исследования, частично решается проблема нехватки экспертных кадров, уменьшается нагрузка на медицинских сотрудников, повышается скорость обработки данных исследований и создание экспертного заключения, что, в конечном итоге, ведет к сокращению расходов на проведение ЭНМГ-исследований.
Во всем мире отмечается неуклонный рост числа заболеваний нервной системы, относимых вследствие своей распространенности и последствий к категории социально значимых - сосудистые заболевания мозга, нейродегенеративные заболевания, эпилепсия, рассеянный склероз, черепно-мозговая травма, нейропатии и инвалидизация вследствие неврологических заболеваний. По прогнозам Всемирной организации здравоохранения, неврологические и психические заболевания по числу больных и финансовым затратам на лечение и реабилитацию в ближайшие 10-15 лет переместятся на первое место, опередив сердечно-сосудистую и онкологическую патологии.
Важнейшими факторами, определяющими высокое социальное бремя заболеваний нервной системы, являются неуклонное старение населения, а также высокие показатели инвалидизации больных с поражением нервной системы. Таким образом, решение комплекса проблем (диагностики, лечения, профилактики, реабилитации), связанных с заболеваниями центральной и периферической нервной системы, являющихся одним из ключевых социальных приоритетов государства, позволят в целом улучшить показатели заболеваемости, смертности и инвалидизации населения, увеличить продолжительность и качество жизни населения, а также снизить общие затраты на здравоохранение.^]
Согласно статистике Министерства здравоохранения Российской федерации неврологическими заболеваниями страдает более 8,5 млн.чел. На рисунке 1.1 представлены абсолютные показатели болезней нервной системы в сравнении с другими популярными заболеваниями за 2016-2017 год по всей Российской федерации.
В настоящее время существует множество методов исследования нервной системы: метод вызванных потенциалов, электроэнцефалография, магнитоэнцефалография, позитивно-эмиссионная томография, магнитно-резонансная томография,
термоэнцефалоскопия, а также электронейромиография. [3]
ЭНМГ (электронейромиография) - диагностическая процедура, позволяющая оценить состояние мышц и периферической нервной системы. Она дает возможность максимально точно диагностировать различные неврологические заболевания нервов верхних и нижних конечностей человека, заболеваний спинного мозга, а, также оценить состояние мышц и выявить такие заболевания, как плексопатия, полиневропатия, туннельный синдром, невропатия, радикулопатии, миастения, миопатия и другие. [4]
Данный метод очень эффективен и принят в общей практике многими неврологами при исследовании периферической нервной системы. Наблюдая динамику и эффективность лечения с помощью электронейромиографии, становится проще диагностировать многие заболевания. Расшифровать результаты электронейромиографии (ЭНМГ) может только квалифицированный специалист, который сверяет полученные показания с нормой, определяет степень отклонения и на основании этих данных составляет заключение.
Цели и задачи
Главная цель данной работы - это создание и внедрение прототипа системы поддержки принятия решений для диагностики полинейропатии.
Для достижения цели научного исследования и реализации автоматизированной информационной системы для постановки заключения на основании данных электронейромиографических исследований необходимо решить ряд задач:
1. Изучение предметной области. Поиск и исследование реальных медицинских данных, консультация с врачом-неврологом, анализ материалов и существующих научных исследований по данной теме;
2. Сбор файлов обследований и определение необходимых признаков для дальнейшей работы;
3. Разработка программы-парсера для извлечения данных и преобразование их в удобное для работы признаковое пространство;
4. Изучение данных (описательные статистики, корреляционный анализ);
5. Предобработка данных (заполнение пропусков, работа с outliers, нормализация данных, проверка на мультиколлинеарность и т.д.)
6. Решение задачи классификации с использованием алгоритмов машинного обучения
7. Оптимизация существующего алгоритма диагностики полинейропатии
8. Создание прототипа системы поддержки принятия решений для диагностики полинейропатии
9. Внедрение в опытную эксплуатацию. Тестирование системы на реальных медицинских данных и совершенствование её показателей.
Объект исследования: пациенты с предполагаемым диагнозом «полинейропатия».
Предмет исследования: данные ЭНМГ-исследований.
Научная новизна данной работы состоит в использовании методов машинного обучения в ЭНМГ-исследованиях и диагностике полинейропатии.
Практическая значимость исследования заключается в том, что использование методов машинного обучения в ЭНМГ-исследованиях окажет поддержку принятия решений при постановке диагноза врачом-экспертом, таким образом минимизируется человеческий фактор и повышается точность исследования, частично решается проблема нехватки экспертных кадров, уменьшается нагрузка на медицинских сотрудников, повышается скорость обработки данных исследований и создание экспертного заключения, что, в конечном итоге, ведет к сокращению расходов на проведение ЭНМГ-исследований.
В данном научном исследовании велась работа над оптимизацией процесса проведения электронейромиографического обследования для диагностики полинейропатии и процесса постановки заключения. Были применены современные методики машинного обучения в диагностике неврологических заболеваний и достигнуты следующие результаты:
Разработан новый, более оптимизированный прототип ЭНМГ-обследования за счет использования моделей машинного обучения и сокращения признакового пространства. Теперь для получения результатов обследования требуется не 38 признаков, как раньше, а всего 19, что уменьшает ресурсозатратность исследования практически в 2 раза.
За счет уменьшения признакового пространства мы достигаем значительного уменьшения болезненности ЭНМГ-обследования. Если ранее пациент мог получить от 50 до 100 электрических стимулов, то при новой методике это количество уменьшается практически вдвое. Так как стимулы во время обследования весьма болезненные, это становится особенно важным если обследуется пациент, находящийся в критически тяжелом физическом состоянии или это маленький ребенок.
Таким образом был ускорен процесс проведения ЭНМГ-исследования и постановки заключения, что позволяет уменьшает нагрузку на сотрудников подобных лабораторий. Мы получаем более быстрый и точный диагноз, обеспечивая поддержку принятия решения и, тем самым, сокращается влияние человеческого фактора.
Моделирование и статистический анализ помогает более глубоко проникнуть в процесс заболевания, в процесс ЭНМГ-исследования и более глубоко изучить эту отрасль, способствует пониманию механизма заболевания. Благодаря статистическому анализу были предложены новые научные гипотезы о связи левой и правой стороны, а также о влиянии его ведущей стороны на ход заболевания и результаты ЭНМГ-обследования.
В настоящее время результаты данной работы внедряются в реальную практику ЭНМГ-исследований. Проходит апробация результатов данной работы в реальных условиях. Прикреплена справка о внедрении от томской лаборатории нейрофизиологии и функциональной диагностики, что подтверждает актуальность и важность данной работы.
Разработан новый, более оптимизированный прототип ЭНМГ-обследования за счет использования моделей машинного обучения и сокращения признакового пространства. Теперь для получения результатов обследования требуется не 38 признаков, как раньше, а всего 19, что уменьшает ресурсозатратность исследования практически в 2 раза.
За счет уменьшения признакового пространства мы достигаем значительного уменьшения болезненности ЭНМГ-обследования. Если ранее пациент мог получить от 50 до 100 электрических стимулов, то при новой методике это количество уменьшается практически вдвое. Так как стимулы во время обследования весьма болезненные, это становится особенно важным если обследуется пациент, находящийся в критически тяжелом физическом состоянии или это маленький ребенок.
Таким образом был ускорен процесс проведения ЭНМГ-исследования и постановки заключения, что позволяет уменьшает нагрузку на сотрудников подобных лабораторий. Мы получаем более быстрый и точный диагноз, обеспечивая поддержку принятия решения и, тем самым, сокращается влияние человеческого фактора.
Моделирование и статистический анализ помогает более глубоко проникнуть в процесс заболевания, в процесс ЭНМГ-исследования и более глубоко изучить эту отрасль, способствует пониманию механизма заболевания. Благодаря статистическому анализу были предложены новые научные гипотезы о связи левой и правой стороны, а также о влиянии его ведущей стороны на ход заболевания и результаты ЭНМГ-обследования.
В настоящее время результаты данной работы внедряются в реальную практику ЭНМГ-исследований. Проходит апробация результатов данной работы в реальных условиях. Прикреплена справка о внедрении от томской лаборатории нейрофизиологии и функциональной диагностики, что подтверждает актуальность и важность данной работы.
