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 диагностике 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 обработки 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
Приложение
Одной из главных задач врача является правильная постановка диагноза. Современные технологии, внедренные в медицинскую диагностику, позволяют существенно повлиять на постановку предварительного диагноза у пациентов. Существуют различные подходы создания медицинских 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 значениями коэффициентов специфичности. В процессе работы СППР итоговые
оценки рассматриваемых заболеваний сравниваются с поступающими факторами проявления симптомов и затем делаются выводы о состоянии области 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 проектирования решений, связанных с различным родом проблем: недостоверностью
и малым количеством информации диагностики, аргументацией выдвинутого предположения, а также точностью представленной гипотезы.
В данной работе внимание уделяется именно медицинским экспертным системам, потому что задача поддержки принятия квалифицированного решения по поводу дифференциального диагноза является актуальной. Ускоренный темп жизни приводит к неправильному питанию и стрессовым состояниям, в связи с этим распространены заболевания поджелудочной железы (ПЖ) [4]. Симптомы проявления таких заболеваний различные, зависят от многих факторов, в связи с чем существуют разногласия 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 прописанного алгоритма, поэтому приходится применять различные методы и
4подходы, которые не всегда приводят к нужному результату.
Для реализации поставленной цели ставятся следующие задачи, позволяющие приблизить процесс автоматизированной диагностики к процессу 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 математической статистики при выявлении наиболее вероятного заболевания;
• проверить предложенный метод решения;
• сделать выводы о проделанной работе.
Возможность проверить адекватность результатов реализованных задач обусловлена наличием анамнезов реальных больных. Обезличенные
данные предоставлены врачом - терапевтом Клинической больницы № 10
города Уфа.
В результате работы была разработана и реализована система поддержки 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 векторов принимают значения от 0 до 1 в зависимости от их значимости в
симптокомплекса;
• разработаны и опробованы различные подходы к созданию медицинской СППР, базируясь на применении оператора множественного выбора 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 помощью двух методов: скалярного перемножения векторов и байесовского подхода;
• разработанный программный комплекс был опробован на данных анамнезов обезличенных пациентов, где были прописаны симптомы и диагностируемые заболевания. Байесовский метод оказался плохо применим для выборки малой размерности, поэтому был разработан новый
способ обработки данных, основанный на понятии скалярного произведения. Байесовский метод уступил скалярному произведению в точности 25% против 83; 3%;
Внедрение нового метода скалярного умножения в программную реализацию СППР позволили рассмотреть новый способ определения наиболее вероятного заболевания и проверить его эффективность по сравнению
с уже известным методом.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
