Помощь студентам в учебе
ОБРАБОТКА ВРЕМЕННЫХ ПОСЛЕДОВАТЕЛЬНОСТЕЙ ДИАГНОСТИЧЕСКИХ ПРЕДИКТОРОВ ДЛЯ АНАЛИЗА ТРАЕКТОРИЙ ЛЕЧЕНИЯ
|
Введение 5
Глава 1. Постановка задачи, состояние предметной области 12
1.1 Развитие медицинских информационных систем 12
1.2 Существующие подходы к решению задачи выбора
траектории лечения пациентов 17
1.3 Системы поддержки принятия врачебных решений
для формирования траекторий лечения 20
1.4 Структура предлагаемого решения 26
1.5 Особенности формирования траекторий лечения пациентов для заболеваний,
исследуемых в работе 29
1.5.1 Анализ особенностей лечения пациентов с заболеванием
мочевыделительной системы (почки) 29
1.5.2 Анализ особенностей лечения рожистых заболеваний 33
1.5.3 Анализ особенностей санаторно-курортной реабилитации
пациентов с ожирением 35
1.6 Выводы по главе 1 36
Глава 2. Алгоритмы подготовки данных для анализа и исследования траекторий лечения 37
2.1 Общая схема анализа и прогнозирования эффективной траектории 37
2.2 Поиск аномалий индивидуальными оценщиками без учителя 44
2.4 Нахождение аномалий для векторных вложений,
полученных из исходных данных 59
2.5 Выделение кластеров пациентов со схожей эффективностью лечения 64
2.6 Алгоритм анализа и прогнозирования траектории лечения 72
2.7 Выводы по главе 2 77
Глава 3 Программное обеспечение анализа траекторий лечения пациентов 78
3.1 Система хранения и анализа диагностических предикторов пациентов 78
3.2 База данных для хранения диагностических предикторов пациентов 80
3.3 Использованные программные средства 83
3.4 Блок предварительной обработки 84
3.5 Блок визуализации 86
3.6 Блок определения траектории лечения 88
3.7 Блок построения моделей машинного обучения 91
3.8 Дерево каталогов программной системы 92
3.9 Вычислительный конвейер программной системы 94
3.10 Выводы по главе 3 100
Глава 4. Тестирование методов и программной реализации анализа траекторий лечения 101
4.1 Описание экспериментальных данных 101
4.1.1Данные пациентов с диагнозом хронический пиелонефрит
(Набор данных «Хронический пиелонефрит») 101
4.1.2 Данные пациентов с диагнозом рожистое воспаление
(Набор данных «Рожистые воспаления») 104
4.1.3 Данные пациентов с диагнозом избыточный вес
(Набор данных «Ожирение») 105
4.1.4 Данные пациентов, попавших в реанимацию в связи с экстренной
госпитализацией (Набор данных «Кардиология») 105
4.2 Выявление аномальных данных с помощью предлагаемого алгоритма
ансамблирования и их оценка 106
4.3 Определение лучших параметров ансамбля 118
4.4 Построение классификаторов эффективности комплексов для исследуемых
наборов данных 121
4.5 Определение оптимальной траектории лечения пациентов на базе
объясняющих моделей, использующих значения Шепли 135
4.6 Оценка скорости вычисления эффективности комплексов с помощью
классических моделей и предлагаемого алгоритма 142
4.7 Эксперименты по выделению кластеров пациентов с близкой
эффективностью лечения на векторных вложениях
диагностических предикторов 144
4.8 Выводы по главе 4 148
Заключение 150
Публикации по теме исследования 152
Список использованной литературы 155
Приложение А - Описание экспериментальных данных 165
Приложение Б - Результаты предлагаемого ансамблевого алгоритма обнаружения аномалий 179
Приложение В - Оценка важности признаков для набора данных
«Рожистые воспаления» 202
Приложение Г - Кластеризация векторных вложений 212
Приложение Д - Акты внедрения результатов диссертационной работы 224
Глава 1. Постановка задачи, состояние предметной области 12
1.1 Развитие медицинских информационных систем 12
1.2 Существующие подходы к решению задачи выбора
траектории лечения пациентов 17
1.3 Системы поддержки принятия врачебных решений
для формирования траекторий лечения 20
1.4 Структура предлагаемого решения 26
1.5 Особенности формирования траекторий лечения пациентов для заболеваний,
исследуемых в работе 29
1.5.1 Анализ особенностей лечения пациентов с заболеванием
мочевыделительной системы (почки) 29
1.5.2 Анализ особенностей лечения рожистых заболеваний 33
1.5.3 Анализ особенностей санаторно-курортной реабилитации
пациентов с ожирением 35
1.6 Выводы по главе 1 36
Глава 2. Алгоритмы подготовки данных для анализа и исследования траекторий лечения 37
2.1 Общая схема анализа и прогнозирования эффективной траектории 37
2.2 Поиск аномалий индивидуальными оценщиками без учителя 44
2.4 Нахождение аномалий для векторных вложений,
полученных из исходных данных 59
2.5 Выделение кластеров пациентов со схожей эффективностью лечения 64
2.6 Алгоритм анализа и прогнозирования траектории лечения 72
2.7 Выводы по главе 2 77
Глава 3 Программное обеспечение анализа траекторий лечения пациентов 78
3.1 Система хранения и анализа диагностических предикторов пациентов 78
3.2 База данных для хранения диагностических предикторов пациентов 80
3.3 Использованные программные средства 83
3.4 Блок предварительной обработки 84
3.5 Блок визуализации 86
3.6 Блок определения траектории лечения 88
3.7 Блок построения моделей машинного обучения 91
3.8 Дерево каталогов программной системы 92
3.9 Вычислительный конвейер программной системы 94
3.10 Выводы по главе 3 100
Глава 4. Тестирование методов и программной реализации анализа траекторий лечения 101
4.1 Описание экспериментальных данных 101
4.1.1Данные пациентов с диагнозом хронический пиелонефрит
(Набор данных «Хронический пиелонефрит») 101
4.1.2 Данные пациентов с диагнозом рожистое воспаление
(Набор данных «Рожистые воспаления») 104
4.1.3 Данные пациентов с диагнозом избыточный вес
(Набор данных «Ожирение») 105
4.1.4 Данные пациентов, попавших в реанимацию в связи с экстренной
госпитализацией (Набор данных «Кардиология») 105
4.2 Выявление аномальных данных с помощью предлагаемого алгоритма
ансамблирования и их оценка 106
4.3 Определение лучших параметров ансамбля 118
4.4 Построение классификаторов эффективности комплексов для исследуемых
наборов данных 121
4.5 Определение оптимальной траектории лечения пациентов на базе
объясняющих моделей, использующих значения Шепли 135
4.6 Оценка скорости вычисления эффективности комплексов с помощью
классических моделей и предлагаемого алгоритма 142
4.7 Эксперименты по выделению кластеров пациентов с близкой
эффективностью лечения на векторных вложениях
диагностических предикторов 144
4.8 Выводы по главе 4 148
Заключение 150
Публикации по теме исследования 152
Список использованной литературы 155
Приложение А - Описание экспериментальных данных 165
Приложение Б - Результаты предлагаемого ансамблевого алгоритма обнаружения аномалий 179
Приложение В - Оценка важности признаков для набора данных
«Рожистые воспаления» 202
Приложение Г - Кластеризация векторных вложений 212
Приложение Д - Акты внедрения результатов диссертационной работы 224
Актуальность темы исследования. Современная медицина активно развивается в направлении персонализированной медицины, где лечение подбирается индивидуально для каждого пациента на основе его клинико- лабораторных показателей, анамнеза болезни, протоколов лечения и терапевтических комплексов, доступных лечащему специалисту, которые составляют траекторию лечения. Траектории лечения - это последовательность событий и вмешательств, через которые проходит пациент в процессе получения медицинской помощи. Правильно выбранная траектория лечения позволяет повысить эффективность терапии, снизить риск побочных эффектов и нежелательных реакций. Таким образом, подбор траекторий лечения пациентов способствует наиболее эффективному, безопасному и экономически обоснованному медицинскому обслуживанию, улучшая при этом качество жизни пациентов.
Несмотря на значительные объемы данных, накопленных для динамической оценки состояния пациентов при различных заболеваниях, их анализ в большинстве случаев осуществляется вручную, что делает процесс зависимым от опыта врачей. Такой подход ограничивает оперативность и точность формирования оптимальных траекторий лечения, особенно в условиях изменяющегося состояния пациента.
Перспективным направлением в данной области является развитие систем поддержки принятия врачебных решений, ориентированных на формирование оптимальных траекторий лечения пациентов. Однако на сегодняшний день отсутствуют готовые решения, способные выполнять прогнозирование последовательных этапов лечения.
Система поддержки принятия решений (СППР) - интеллектуальная компьютерная программа, которая может проводить анализ, консультировать, ставить диагноз, прогнозировать процесс лечения и его результат. Целью СППР является улучшение оказания медицинской помощи путем усиления медицинских
решений с помощью целенаправленных клинических знаний, данных о состоянии здоровья и другой информации о пациентах. Современные С1111Р, помимо выдачи результатов моделирования и рекомендаций, должны предоставлять возможность интерпретаций и объяснений их получения.
Применение таких систем в клинической практике способствует поддержке врачей при выборе траекторий лечения, выполняет обучающую функцию за счет актуализации знаний на основе обновляемых данных и ускоряет обработку растущих объемов медицинской информации, включая динамические клиниколабораторные показатели.
Таким образом, разработка С1111Р, ориентированных на анализ траекторий лечения пациентов, представляет собой важное направление для повышения качества и эффективности оказания медицинской помощи.
1омимо этого, актуальность исследований обусловлена:
• 1риоритетностью проекта 1равительства процессов организации медицинской помощи информационных технологий»;
• Все более нарастающей потребностью
РФ «Совершенствование
на
основе
внедрения
обработки возрастающего объема массива медицинских данных (в том числе динамических значений клинико-лабораторных показателей).
Целью диссертационной работы является повышение качества принятия врачебных решений при выборе траектории лечения пациента путём анализа разнородных диагностических предикторов и их временных последовательностей, получаемых во время пребывания пациента в стационаре с использованием
оперативной
методов интеллектуального анализа данных и машинного обучения.
Для достижения цели исследования необходимо решить следующие задачи:
1. Обзор и анализ современного состояния предметной области, методов и алгоритмов построения систем поддержки принятия врачебных решений и выбора траектории лечения;
2. Разработка алгоритмического решения для анализа и прогнозирования траектории лечения, обработки аномальных значений и построения кластеров эффективности терапевтических мероприятий;
3. Разработка программного обеспечения системы выбора траектории лечения с учётом диагностических предикторов и их временных последовательностей для пациентов, проходящих лечение в условиях стационара;
4. Тестирование и апробация предлагаемых методов по данным диагностических предикторов и их временных последовательностей для пациентов в стационаре на примере лечения рожистого заболевания, хронического пиелонефрита и ожирения.
Методы исследования. В работе использованы методы анализа данных и машинного обучения, методы непараметрической и параметрической статистики для предварительной обработки и анализа медицинских данных (в том числе, кластерный анализ, методы очистки данных и поиска аномальных наблюдений), методы разработки программного обеспечения, технологии разработки баз данных и баз знаний, методы визуализации многомерных данных. Исследования и разработка программного обеспечения производились с использованием языка программирования Python.
Объектом исследования являются многомерные разнотипные данные клинических исследований, собираемые в течение стационарного лечения пациента, а также из анамнеза болезни.
Предмет исследования - математические и информационные аспекты построения системы поддержки принятия врачебных решений для выбора траектории лечения пациентов в стационаре по данным диагностических предикторов и их временных последовательностей.
Область исследования соответствует следующим пунктам паспорта специальности 2.3.1 «Системный анализ, управление и обработка информации»:
П. 4 Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации.
П. 5 Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации.
П. 12 Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации.
Научная новизна
1. Разработана интерактивная интеллектуальная система поддержки принятия врачебных решений, позволяющая формировать наилучшую траекторию лечения пациента, на основе анализа диагностических предикторов, в условиях стационара с учетом динамики лечения и особенностей протекания заболевания; анализ и прогноз траектории лечения осуществляется на основе аддитивных объяснений Шепли, заключающихся в оценке вклада каждого диагностического предиктора в предсказание исхода лечения.
2. Предложен и исследован метод анализа аномальных значений предикторов на основе ансамбля, полученного агрегированием предсказаний индивидуальных методов: одноклассового метода опорных векторов, изолирующего леса, фактора локального выброса и эллиптической оболочки, что обеспечивает синергетический эффект более точного выявления аномальных значений по сравнению с индивидуальными методами.
3. Предложен и исследован метод выделения кластеров значимых диагностических признаков для определения и двумерной визуализации групп пациентов с наиболее эффективным комплексом лечения на основе минимизации дивергенции Кульбака-Лейблера распределений оригинальных значений диагностических предикторов и их векторных вложений в двумерном пространстве.
Практическая ценность работы подтверждается использованием полученных в ней результатов для решения практических задач и заключается в разработке технологии анализа данных для выбора траектории лечения пациентов, проходящих лечение в условиях стационара с последующем включением в основу системы поддержки принятия врачебных решений. Технология включает в себя:
• предварительную очистку и визуализацию многомерных данных;
• выявление значимых предикторов и их графическая интерпретация;
• проведение комплексной оценки состояния пациента на примере лечения пациентов с хроническим пиелонефритом, ожирением и рожистым воспалением.
Разработанная система может быть использована в работе медицинских учреждений для поддержки принятия врачебных решений с целью поиска подходящей траектории лечения пациента.
Апробация результатов работы. Основные положения и результаты диссертационного исследования докладывались на следующих научнотехнических конференциях: Международный научно-технический конгресс "Интеллектуальные системы и информационные технологии - 2021" ("ИС & ИТ- 2021", Таганрог, 2021 г.); Международная научно-практическая конференция
студентов, аспирантов и молодых ученых "Молодёжь и современные информационные технологии" (Томск, 2018 г.); Международная научная
конференция «Информационные технологии в науке, управлении, социальной сфере и медицине» (Томск, 2019 г.); Международная научная конференция "Информационные технологии в науке, управлении, социальной сфере и медицине" (Томск, 2018 г.); XXVI Международная научно-техническая
конференция "Информационные системы и технологии - 2020" (Нижний
Новгород, 2020 г.).
Достоверность полученных результатов обеспечивается использованием верифицированных данных клинических исследований, сравнением результатов, полученных предложенными методами с результатами известных методов.
Положения, выносимые на защиту:
1. Предложенная интерактивная интеллектуальная система поддержки принятия врачебных решений обеспечивает формирование наилучшей траектории лечения пациента в условиях стационара при снижении времени получения решения в среднем на 20-30 %.
2. Предложенный метод анализа аномальных значений предикторов на основе ансамбля, полученного агрегированием предсказаний индивидуальных методов, обеспечивает более точное выявление аномальных значений по сравнению с индивидуальными методами. В частности, выигрыш по внутригрупповой дисперсии очищенных данных составляет не менее 25 % на уровнях отсечения 0,05 и 0,1; а средний выигрыш по метрикам Жаккара / Дайса составляет от 7 до 30 % в зависимости от индивидуального метода.
3. Предложенный метод выделения кластеров значимых диагностических признаков позволяет определить группы эффективности комплекса лечения и наглядно продемонстрировать, насколько выбранный комплекс будет результативен для новых пациентов с учетом значений их диагностических предикторов.
Реализация и внедрение результатов работы. Результаты диссертационного исследования использованы при выполнении научноисследовательских проектов: грант РФФИ № 19-37-90005 Аспиранты: «Система поддержки принятия врачебных решений в задачах персонализированной медицины (на примере лечения детей с ожирением)», 2019-2022 г., под
руководством д.т.н. Берестневой О.Г.
Грант РФФИ №18-07-00543 А: "Интеллектуальная система поддержки принятия управленческих решений по инновационному развитию региональных научно-медицинских центров", 2018-2020 г., под руководством д.т.н. Берестневой О.Г.
Результаты диссертационной работы используются в Томском НИИКиФ ФФГБУ ФНУЦ МРиК ФМБА при первоначальной оценке диагностических предикторов пациентов; в учебном процессе отделения информационных технологий Инженерной школы информационных технологий и робототехники ТПУ.
Публикации: Основные результаты исследований отражены в 17
публикациях: 4 статьи в научных журналах и изданиях, рекомендуемых ВАК, 3 публикации проиндексированы в базах данных Scopus; 12 статей в сборниках трудов международных и российских конференций.
Структура и объем диссертации. Работа состоит из введения, четырех глав, заключения, списка литературы из 95 наименований и 5 приложений. Полный объем работы составляет 225 страниц, включая 115 рисунков и 69 таблиц.
В первой главе исследованы виды, классификация и подходы к построению модели систем поддержки принятия врачебных решений для оценки траекторий лечения. Выявлены проблемы построения подобного рода систем. Произведён анализ исследований в направлении подбора траекторий лечения пациентов, учитывающих персональные характеристики и анамнез заболевания.
Во второй главе рассматриваются математическое обеспечение и методы для определения траекторий лечения пациента. Рассмотрены алгоритмы обработки аномальных значений на основе которых предложен ансамблевый алгоритм анализа выборки и выявления подобных значений. Предложен и экспериментально проверен метод позволяющий определять траекторию лечения пациентов основанный на аддитивных объяснениях Шепли.
В третьей главе представлена модель системы поддержки принятия врачебных решений для формирования траекторий лечения, приведены основные сущности базы данных, позволяющих хранить и обрабатывать данные пациентов. Описаны основные функции каждого из блоков предлагаемой системы. Процесс взаимодействия с системой реализован на основе последовательного выполнения задач в рамках вычислительного конвейера.
В четвертой главе представлены результаты апробации предложенных алгоритмов и методов на экспериментальных данных выборок «Хронический пиелонефрит», «Рожистые воспаления» и «Ожирение». Показаны результаты поиска аномальных значений, кластеризации, снижения размерности, значения Шепли и пример определения траектории.
Несмотря на значительные объемы данных, накопленных для динамической оценки состояния пациентов при различных заболеваниях, их анализ в большинстве случаев осуществляется вручную, что делает процесс зависимым от опыта врачей. Такой подход ограничивает оперативность и точность формирования оптимальных траекторий лечения, особенно в условиях изменяющегося состояния пациента.
Перспективным направлением в данной области является развитие систем поддержки принятия врачебных решений, ориентированных на формирование оптимальных траекторий лечения пациентов. Однако на сегодняшний день отсутствуют готовые решения, способные выполнять прогнозирование последовательных этапов лечения.
Система поддержки принятия решений (СППР) - интеллектуальная компьютерная программа, которая может проводить анализ, консультировать, ставить диагноз, прогнозировать процесс лечения и его результат. Целью СППР является улучшение оказания медицинской помощи путем усиления медицинских
решений с помощью целенаправленных клинических знаний, данных о состоянии здоровья и другой информации о пациентах. Современные С1111Р, помимо выдачи результатов моделирования и рекомендаций, должны предоставлять возможность интерпретаций и объяснений их получения.
Применение таких систем в клинической практике способствует поддержке врачей при выборе траекторий лечения, выполняет обучающую функцию за счет актуализации знаний на основе обновляемых данных и ускоряет обработку растущих объемов медицинской информации, включая динамические клиниколабораторные показатели.
Таким образом, разработка С1111Р, ориентированных на анализ траекторий лечения пациентов, представляет собой важное направление для повышения качества и эффективности оказания медицинской помощи.
1омимо этого, актуальность исследований обусловлена:
• 1риоритетностью проекта 1равительства процессов организации медицинской помощи информационных технологий»;
• Все более нарастающей потребностью
РФ «Совершенствование
на
основе
внедрения
обработки возрастающего объема массива медицинских данных (в том числе динамических значений клинико-лабораторных показателей).
Целью диссертационной работы является повышение качества принятия врачебных решений при выборе траектории лечения пациента путём анализа разнородных диагностических предикторов и их временных последовательностей, получаемых во время пребывания пациента в стационаре с использованием
оперативной
методов интеллектуального анализа данных и машинного обучения.
Для достижения цели исследования необходимо решить следующие задачи:
1. Обзор и анализ современного состояния предметной области, методов и алгоритмов построения систем поддержки принятия врачебных решений и выбора траектории лечения;
2. Разработка алгоритмического решения для анализа и прогнозирования траектории лечения, обработки аномальных значений и построения кластеров эффективности терапевтических мероприятий;
3. Разработка программного обеспечения системы выбора траектории лечения с учётом диагностических предикторов и их временных последовательностей для пациентов, проходящих лечение в условиях стационара;
4. Тестирование и апробация предлагаемых методов по данным диагностических предикторов и их временных последовательностей для пациентов в стационаре на примере лечения рожистого заболевания, хронического пиелонефрита и ожирения.
Методы исследования. В работе использованы методы анализа данных и машинного обучения, методы непараметрической и параметрической статистики для предварительной обработки и анализа медицинских данных (в том числе, кластерный анализ, методы очистки данных и поиска аномальных наблюдений), методы разработки программного обеспечения, технологии разработки баз данных и баз знаний, методы визуализации многомерных данных. Исследования и разработка программного обеспечения производились с использованием языка программирования Python.
Объектом исследования являются многомерные разнотипные данные клинических исследований, собираемые в течение стационарного лечения пациента, а также из анамнеза болезни.
Предмет исследования - математические и информационные аспекты построения системы поддержки принятия врачебных решений для выбора траектории лечения пациентов в стационаре по данным диагностических предикторов и их временных последовательностей.
Область исследования соответствует следующим пунктам паспорта специальности 2.3.1 «Системный анализ, управление и обработка информации»:
П. 4 Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации.
П. 5 Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации.
П. 12 Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации.
Научная новизна
1. Разработана интерактивная интеллектуальная система поддержки принятия врачебных решений, позволяющая формировать наилучшую траекторию лечения пациента, на основе анализа диагностических предикторов, в условиях стационара с учетом динамики лечения и особенностей протекания заболевания; анализ и прогноз траектории лечения осуществляется на основе аддитивных объяснений Шепли, заключающихся в оценке вклада каждого диагностического предиктора в предсказание исхода лечения.
2. Предложен и исследован метод анализа аномальных значений предикторов на основе ансамбля, полученного агрегированием предсказаний индивидуальных методов: одноклассового метода опорных векторов, изолирующего леса, фактора локального выброса и эллиптической оболочки, что обеспечивает синергетический эффект более точного выявления аномальных значений по сравнению с индивидуальными методами.
3. Предложен и исследован метод выделения кластеров значимых диагностических признаков для определения и двумерной визуализации групп пациентов с наиболее эффективным комплексом лечения на основе минимизации дивергенции Кульбака-Лейблера распределений оригинальных значений диагностических предикторов и их векторных вложений в двумерном пространстве.
Практическая ценность работы подтверждается использованием полученных в ней результатов для решения практических задач и заключается в разработке технологии анализа данных для выбора траектории лечения пациентов, проходящих лечение в условиях стационара с последующем включением в основу системы поддержки принятия врачебных решений. Технология включает в себя:
• предварительную очистку и визуализацию многомерных данных;
• выявление значимых предикторов и их графическая интерпретация;
• проведение комплексной оценки состояния пациента на примере лечения пациентов с хроническим пиелонефритом, ожирением и рожистым воспалением.
Разработанная система может быть использована в работе медицинских учреждений для поддержки принятия врачебных решений с целью поиска подходящей траектории лечения пациента.
Апробация результатов работы. Основные положения и результаты диссертационного исследования докладывались на следующих научнотехнических конференциях: Международный научно-технический конгресс "Интеллектуальные системы и информационные технологии - 2021" ("ИС & ИТ- 2021", Таганрог, 2021 г.); Международная научно-практическая конференция
студентов, аспирантов и молодых ученых "Молодёжь и современные информационные технологии" (Томск, 2018 г.); Международная научная
конференция «Информационные технологии в науке, управлении, социальной сфере и медицине» (Томск, 2019 г.); Международная научная конференция "Информационные технологии в науке, управлении, социальной сфере и медицине" (Томск, 2018 г.); XXVI Международная научно-техническая
конференция "Информационные системы и технологии - 2020" (Нижний
Новгород, 2020 г.).
Достоверность полученных результатов обеспечивается использованием верифицированных данных клинических исследований, сравнением результатов, полученных предложенными методами с результатами известных методов.
Положения, выносимые на защиту:
1. Предложенная интерактивная интеллектуальная система поддержки принятия врачебных решений обеспечивает формирование наилучшей траектории лечения пациента в условиях стационара при снижении времени получения решения в среднем на 20-30 %.
2. Предложенный метод анализа аномальных значений предикторов на основе ансамбля, полученного агрегированием предсказаний индивидуальных методов, обеспечивает более точное выявление аномальных значений по сравнению с индивидуальными методами. В частности, выигрыш по внутригрупповой дисперсии очищенных данных составляет не менее 25 % на уровнях отсечения 0,05 и 0,1; а средний выигрыш по метрикам Жаккара / Дайса составляет от 7 до 30 % в зависимости от индивидуального метода.
3. Предложенный метод выделения кластеров значимых диагностических признаков позволяет определить группы эффективности комплекса лечения и наглядно продемонстрировать, насколько выбранный комплекс будет результативен для новых пациентов с учетом значений их диагностических предикторов.
Реализация и внедрение результатов работы. Результаты диссертационного исследования использованы при выполнении научноисследовательских проектов: грант РФФИ № 19-37-90005 Аспиранты: «Система поддержки принятия врачебных решений в задачах персонализированной медицины (на примере лечения детей с ожирением)», 2019-2022 г., под
руководством д.т.н. Берестневой О.Г.
Грант РФФИ №18-07-00543 А: "Интеллектуальная система поддержки принятия управленческих решений по инновационному развитию региональных научно-медицинских центров", 2018-2020 г., под руководством д.т.н. Берестневой О.Г.
Результаты диссертационной работы используются в Томском НИИКиФ ФФГБУ ФНУЦ МРиК ФМБА при первоначальной оценке диагностических предикторов пациентов; в учебном процессе отделения информационных технологий Инженерной школы информационных технологий и робототехники ТПУ.
Публикации: Основные результаты исследований отражены в 17
публикациях: 4 статьи в научных журналах и изданиях, рекомендуемых ВАК, 3 публикации проиндексированы в базах данных Scopus; 12 статей в сборниках трудов международных и российских конференций.
Структура и объем диссертации. Работа состоит из введения, четырех глав, заключения, списка литературы из 95 наименований и 5 приложений. Полный объем работы составляет 225 страниц, включая 115 рисунков и 69 таблиц.
В первой главе исследованы виды, классификация и подходы к построению модели систем поддержки принятия врачебных решений для оценки траекторий лечения. Выявлены проблемы построения подобного рода систем. Произведён анализ исследований в направлении подбора траекторий лечения пациентов, учитывающих персональные характеристики и анамнез заболевания.
Во второй главе рассматриваются математическое обеспечение и методы для определения траекторий лечения пациента. Рассмотрены алгоритмы обработки аномальных значений на основе которых предложен ансамблевый алгоритм анализа выборки и выявления подобных значений. Предложен и экспериментально проверен метод позволяющий определять траекторию лечения пациентов основанный на аддитивных объяснениях Шепли.
В третьей главе представлена модель системы поддержки принятия врачебных решений для формирования траекторий лечения, приведены основные сущности базы данных, позволяющих хранить и обрабатывать данные пациентов. Описаны основные функции каждого из блоков предлагаемой системы. Процесс взаимодействия с системой реализован на основе последовательного выполнения задач в рамках вычислительного конвейера.
В четвертой главе представлены результаты апробации предложенных алгоритмов и методов на экспериментальных данных выборок «Хронический пиелонефрит», «Рожистые воспаления» и «Ожирение». Показаны результаты поиска аномальных значений, кластеризации, снижения размерности, значения Шепли и пример определения траектории.
В работе на основе методов интеллектуального анализа данных произведено исследование диагностических предикторов, данных анамнеза и жалоб пациентов с диагнозами рожистое воспаление, ожирение и хронический пиелонефрит.
В ходе выполнения работы были получены следующие основные результаты:
1. Предложена система поддержки принятия врачебных решений, позволяющая формировать траекторию лечения пациента в условиях стационара с учетом динамики лечения и особенностей протекания заболевания; анализ и прогноз траектории лечения осуществляется на основе аддитивных объяснений Шепли, заключающихся в оценке вклада каждого диагностического предиктора в предсказание исхода лечения. Предложенная система поддержки принятия врачебных решений обеспечивает формирование наилучшей траектории лечения пациента в условиях стационара при снижении времени получения решения в среднем на 20-30 %.
2. Предложен и исследован метод анализа аномальных значений предикторов на основе ансамбля, полученного агрегированием предсказаний индивидуальных методов: одноклассового метода опорных векторов, изолирующего леса, фактора локального выброса и эллиптической оболочки, что обеспечивает синергетический эффект более точного выявления аномальных значений по сравнению с индивидуальными методами.
3. Предложенный метод анализа аномальных значений предикторов на основе ансамбля, полученного агрегированием предсказаний индивидуальных методов, обеспечивает более точное выявление аномальных значений по сравнению с индивидуальными методами. В частности, выигрыш по внутригрупповой дисперсии очищенных данных составляет не менее 25 % на уровнях отсечения 0,05 и 0,1; а средний выигрыш по метрикам Жаккара / Дайса составляет от 7 до 30 % в зависимости от индивидуального метода.
4. Предложен и исследован метод выделения кластеров значимых диагностических признаков для определения и двумерной визуализации групп пациентов с наиболее эффективным комплексом лечения на основе минимизации дивергенции Кульбака-Лейблера распределений оригинальных значений диагностических предикторов и их векторных вложений в двумерном пространстве. Алгоритм позволяет определить группы эффективности комплекса лечения и показать, насколько выбранный комплекс будет результативен для новых пациентов по значениям их диагностических предикторов.
5. Результаты диссертационной работы используются в Томском НИИКиФ ФФГБУ ФНУЦ МРиК ФМБА при первоначальной оценке диагностических предикторов пациентов; в учебном процессе отделения информационных технологий Инженерной школы информационных технологий и робототехники ТПУ.
В ходе выполнения работы были получены следующие основные результаты:
1. Предложена система поддержки принятия врачебных решений, позволяющая формировать траекторию лечения пациента в условиях стационара с учетом динамики лечения и особенностей протекания заболевания; анализ и прогноз траектории лечения осуществляется на основе аддитивных объяснений Шепли, заключающихся в оценке вклада каждого диагностического предиктора в предсказание исхода лечения. Предложенная система поддержки принятия врачебных решений обеспечивает формирование наилучшей траектории лечения пациента в условиях стационара при снижении времени получения решения в среднем на 20-30 %.
2. Предложен и исследован метод анализа аномальных значений предикторов на основе ансамбля, полученного агрегированием предсказаний индивидуальных методов: одноклассового метода опорных векторов, изолирующего леса, фактора локального выброса и эллиптической оболочки, что обеспечивает синергетический эффект более точного выявления аномальных значений по сравнению с индивидуальными методами.
3. Предложенный метод анализа аномальных значений предикторов на основе ансамбля, полученного агрегированием предсказаний индивидуальных методов, обеспечивает более точное выявление аномальных значений по сравнению с индивидуальными методами. В частности, выигрыш по внутригрупповой дисперсии очищенных данных составляет не менее 25 % на уровнях отсечения 0,05 и 0,1; а средний выигрыш по метрикам Жаккара / Дайса составляет от 7 до 30 % в зависимости от индивидуального метода.
4. Предложен и исследован метод выделения кластеров значимых диагностических признаков для определения и двумерной визуализации групп пациентов с наиболее эффективным комплексом лечения на основе минимизации дивергенции Кульбака-Лейблера распределений оригинальных значений диагностических предикторов и их векторных вложений в двумерном пространстве. Алгоритм позволяет определить группы эффективности комплекса лечения и показать, насколько выбранный комплекс будет результативен для новых пациентов по значениям их диагностических предикторов.
5. Результаты диссертационной работы используются в Томском НИИКиФ ФФГБУ ФНУЦ МРиК ФМБА при первоначальной оценке диагностических предикторов пациентов; в учебном процессе отделения информационных технологий Инженерной школы информационных технологий и робототехники ТПУ.
