Раздел 4. Использование информационных компьютерных систем в медицине и здравоохранении. Автоматизированные рабочие места специалистов, медицинские базы данных, диагностические и экспертные системы.

(4.1) Назначение и основные функции автоматизированного рабочего места медицинского работника. Медицинские базы данных.

АВТОМАТИЗИРОВАННОЕ РАБОЧЕЕ МЕСТО МЕДИЦИНСКО-

ГО РАБОТНИКА.

Одним из актуальных направлений в развитии информационных тех-

нологий в медицинской практике являются разработка и внедрение автома-

тизированного рабочего места (АРМ).

АРМ - это аппаратно-программный комплекс, предназначенный

для выполнения заранее обусловленного круга задач, связанного с про-

фессиональной деятельностью персонала.

В состав АРМ входят следующие компоненты:

1. Системный блок различной архитектуры, адаптированной к конкрет-

ной задаче работы пользователя (мощность процессора, объем опера-

тивной памяти, характер видеокарты, наличие инфракрасного порта,

Bluetooth, сетевой карты и др.).

2. Медицинские мониторы с размером экрана не менее 19 мм по диаго-

нали и с высокой разрешающей способностью.

3. Накопители для хранения информации: магнитные, магнитооптиче-

ские, CD-R, CD-RW, DVD-RAM, стримеры и др. 4

4. Устройства для получения твердых копий: принтеры различных ти-

пов – лазерные, струйные, термопринтеры, мультиформатные камеры.

5. Устройства для подключения к локальной вычислительной сети и

(при необходимости) к сети Интернет.

6. Системное и специализированное программное обеспечение, а также

программы офисного назначения.

В медицине и здравоохранении основными целями разработки автоматизированных рабочих мест являются: Внедрение в практику лечебно-диагностических методов, основан- ных на математической обработке данных, выполнение которой без использования ЭВМ невозможно (магнитно-резонансная томография, ультразвуковое исследование). Применение аппаратно-программных средств для выполнения (замены): весьма трудоемких и длительных при «ручном» выполнении операций (например, обработка ЭЭГ, ЭКГ) и, за счет этого, увеличение диагностических возможностей методов исследований; повторяющихся (рутинных) операций, например, лабораторных исследований. Исключение влияния «человеческого фактора» на процесс получения и (или) результат обработки данных (например, ошибки в результате недостаточной профессиональной подготовки, утомления, личностных психофизиологических особенностей и пр.). Для медицины и здравоохранения характерно, что автоматизированные рабочие места должны создаваться строго в соответствии с их предполагаемым функциональным назначением. Однако общие принципы создания

АРМ остаются неизменными, к ним относят:

системность;

гибкость;

устойчивость;

эффективность.

АРМ врача. В задачу АРМ врача входят следующие функции:

1. Первая задача – работа с историей болезни. Она решается с помощью

двух функций, которые предстают перед пользователем сразу, как только

он войдёт в программу:

 регистрация нового пациента;

 ведение уже имеющейся истории болезни.

Эти функции наполняют базу данных медицинским содержанием.

2. Вторая задача – использование накопленного богатства. Здесь, прежде

всего, выделяются функции обмена информацией с другими объектами:

перевод из отделения в отделение, с участка на участок, передача дубли-

ката историй болезни от участкового врача «узким» специалистам и об-

ратно, передача истории болезни выбывшего пациента в архив стациона-

ра. Сюда же примыкают функции составления выходных документов на

персону – полная история болезни, выписки, направления, извещения, ре-

цепты.

Накопленные данные подвергаются комплексной обработке для це-

лей оперативного управления: это составление сводок и списков, предна-

значенных для оповещения всех, кто связан с врачом, кто должен ему по-

мочь или обязан его контролировать, для своевременного выявления и

устранения проблем.

Сюда же надо отнести ретроспективный анализ данных за значи-

тельные отрезки времени. Целый набор функций предназначен для стати-

стически надёжных оценок работы врачей и подразделений, для научных

выводов, для выявления внутренних резервов улучшения медицинской

помощи.

3. Третья задача – обеспечить сохранность накопленных данных. Кроме

тех функций копирования, о которых уже сказано, для этого существует и

ряд встроенных автоматических приёмов, восстанавливающих повре-

ждённые данные незаметно для пользователя, по ходу работы. Вы можете

удалить тот или иной файл – он восстановиться сразу при запуске про-

граммы. Наконец, специально для этих целей я включаю в АРМ две функ-

ции: аутокоррекцию и санитарный день. Первая восстанавливает все ин-

дексные файлы, которые вообще весьма уязвимы. Вторая убирает неиз-8

 

бежно накапливающийся «мусор»: раз в месяц автоматически, а по жела-

нию пользователя - в любое время.

4. Четвёртая задача – настройка типового АРМ на конкретные условия

применения.

АРМ среднего медицинского работника.

В задачу АРМ среднего медицинского работника входят следующие

функции:

 поддержка ведения истории болезни и других учетных документов

пребывания и движения пациента в лечебном учреждении;

 выполнение врачебных назначений по обследованию и лечению па-

циентов;

 обработка первичной медицинской документации;

 первичная работа с терминалами диагностических аппаратов.

АРМ вспомогательных и административно-хозяйственных подраз-

делений. АРМ вспомогательных и административно-хозяйственных подраз-

делений отражает целевые установки работающего на них персонала (АРМ

инженера, бухгалтера, сотрудника аптеки, хозяйственника и пр.).

В таком виде АРМ врача становятся основной структурной единицей

всей системы автоматизированного управления. Опора на него существенно

меняет способы работы всех участников лечебно-диагностического процесса:

медсестёр, лаборантов, медстатистов, заведующего отделением, главного

врача и, конечно, самого лечащего врача - АРМ служит мощным инструмен-

том и для него.

(4.2) .Классификация методов формализации и компьютерного моделирования медицинских данных и знаний. Основные статистические модели.

Модель — это искусственно создаваемый объект, заменяющий некоторый объект реального мира (объект моделирования) и воспроизводящий ограниченное число его свойств. Понятие модели относится к фундаментальным общенаучным понятиям, а моделирование — это метод познания действительности, используемый различными науками.

Объект моделирования — широкое понятие, включающее объекты живой или неживой природы, процессы и явления действительности. Сама модель может представлять собой либо физический, либо идеальный объект. Первые называются натурными моделями, вторые — информационными моделями. Например, макет здания — это натурная модель здания, а чертеж того же здания — это его информационная модель, представленная в графической форме (графическая модель).В экспериментальных научных исследованиях используются натурные модели, которые позволяют изучать закономерности исследуемого явления или процесса. Например, в аэродинамической трубе моделируется процесс полета самолета путем обдувания макета самолета воздушным потоком. При этом определяются, например, нагрузки на корпус самолета, которые будут иметь место в реальном полете.Информационные модели используются при теоретических исследованиях объектов моделирования. В наше время основным инструментом информационного моделирования является компьютерная техника и информационные технологии.

Компьютерное моделирование включает в себя прогресс реализмом информационной модели на компьютере и исследование с помощью этой модели объекта моделирования — проведение вычислительного эксперимента.

Формализация .К предметной области информатики относятся средства и методы компьютерного моделирования. Компьютерная модель может быть создана только на основе хорошо формализованной информационной модели. Что же такое формализация?

Формализация информации о некотором объекте — это ее отражение в определенной форме. Можно еще сказать так: формализация — это сведение содержания к форме. Формулы, описывающие физические процессы, — это формализация этих процессов. Радиосхема электронного устройства — это формализация функционирования этого устройства. Ноты, записанные на нотном листе, — это формализация музыки и т.п.

Формализованная информационная модель — это определенные совокупности знаков (символов), которые существуют отдельно от объекта моделирования, могут подвергаться передаче и обработке. Реализация информационной модели на компьютере сводится к ее формализации в форматы данных, с которыми "умеет" работать компьютер.

Но можно говорить и о другой стороне формализации применительно к компьютеру. Программа на определенном языке программирования есть формализованное представление процесса обработки данных. Это не противоречит приведенному выше определению формализованной информационной модели как совокупности знаков, поскольку машинная программа имеет знаковое представление. Компьютерная программа — это модель деятельности человека по обработке информации, сведенная к последовательности элементарных операций, которые умеет выполнять процессор ЭВМ. Поэтому программирование на ЭВМ есть формализация процесса обработки информации. А компьютер выступает в качестве формального исполнителя программы.

Этапы информационного моделирования

Построение информационной модели начинается с системного анализа объекта моделирования (см."Системный анализ"). Представим себе быстро растущую фирму, руководство которой столкнулось с проблемой снижения эффективности работы фирмы по мере ее роста (что является обычной ситуацией) и решило упорядочить управленческую деятельность.

Первое, что необходимо сделать на этом пути, — провести системный анализ деятельности фирмы. Системный аналитик, приглашенный в фирму, должен изучить ее деятельность, выделить участников процесса управления и их деловые взаимоотношения, т.е. объект моделирования анализируется как система. Результаты такого анализа формализуются: представляются в виде таблиц, графов, формул, уравнений, неравенств и пр. Совокупность таких описаний есть теоретическая модель системы. 

Следующий этап формализации — теоретическая модель переводится в формат компьютерных данных и программ. Для этого" используется либо готовое программное обеспечение, либо привлекаются программисты для его разработки. В конечном итоге получается компьютерная информационная модель, которая будет использоваться по своему назначению.

Для примера с фирмой с помощью компьютерной модели может быть найден оптимальный вариант управления, при котором будет достигнута наивысшая эффективность работы фирмы согласно заложенному в модель критерию (например, получение максимума прибыли на единицу вложенных средств).

Классификация информационных моделей может основываться на разных принципах. Если классифицировать их по доминирующей в процессе моделирования технологии, то можно выделить математические модели, графические модели, имитационные модели, табличные модели, статистические модели и пр. Если же положить в основу классификации предметную область, то можно выделить модели физических систем и процессов, модели экологических (биологических) систем и процессов, модели процессов оптимального экономического планирования, модели учебной деятельности, модели знаний и др. Вопросы классификации важны для науки, т.к. они позволяют сформировать системный взгляд на проблему, но преувеличивать их значение не следует. Разные подходы к классификации моделей могут быть в равной мере полезны. Кроме того, конкретную модель отнюдь не всегда можно отнести к одному классу, даже если ограничиться приведенным выше списком.

(4.3) Вероятностная диагностика (скрининг) с использованием стратегия Байеса. Оценка информативности клинических признаков. Ограничения метода.

Теорема Байеса дает количественный способ вычисления апостериорной(после проведения опыта ) вероятности с использованием априорной вероятности, а также чувствительности и специфичности теста. Теорема эта следует из определения условной вероятности и свойств вероятности (доказательство теоремы Байеса дано в приложении в конце главы). Напомним, что условная вероятность – это вероятность события А при условии, что произойдет событие В (см. раздел 2). Мы же, вообще говоря, хотим знать вероятность того, что пациент болен (событие А) при условии, что результат теста положительный (событие В). Если обозначить присутствие болезни как D, отсутствие – как -D, нужный нам результат теста как R, то вероятность болезни будет обозначаться p[D], а вероятность болезни при условии положительного результата теста – как p[D|R]. Теорема Байеса гласит, что: Мы можем переформулировать это общее уравнение для положительного результата теста (+), заменив p[D|R] на p[D|+], p[R|D] – на p[+|D], p[R|-D] – на p[+|-D], и p[-D] – на (1 - p[D]). Вспомнив (из пункта 3), что p[+|D] = TPR, а p[+|-D] = FPR, получаем: Вспомнив, что p[D|+] и PV+ – одно и то же, и заменив p[D] на распространенность, получаем, что отсюда следует формула для PV+ из пункта 4.1. Аналогично выводим теорему Байеса для отрицательного результата теста: Пример 9. Теперь мы можем сосчитать вероятность болезни сердца у мистера Рубенстайна из примера 4 после получения положительных результатов ЭКГ при физической нагрузке. В конце раздела 2 мы, основываясь на распространенности болезни сердца среди пациентов с типичными симптомами и ее распространенности среди пациентов с семейной предрасположенностью, оценим априорную вероятность болезни в 0,95. Допустим, что TPR и FPR для ЭКГ при физической нагрузке равны 0,65 и 0,20 соответственно. Применяя формулу Байеса для положительных результатов теста, получаем: Получается, что положительный результат теста повышает вероятность болезни с 0,95 до 0,98 – изменение довольно скромное. Причина этого – высокая априорная вероятность (0,95) и высокое значение FPR (0,20). Повторив вычисления для априорной вероятности, равной 0,75, получаем апостериорную вероятность 0,91; предположив, что FPR теста было равно 0,05 вместо 0,20, а априорная вероятность – снова 0,95, получаем p[D|+] = 0,996. Теорема Байеса для отношений шансов Хотя формула теоремы Байеса и проста, она неудобна для устного вычисления. Можно вывести более удобную форму теоремы Байеса, выразив вероятность через шансы и использовав другие меры характеристики теста. Вероятность и шансы соотносятся формулами: шансы = р / (1-р) p = шансы / (1+шансы) Другими словами, если вероятность дождя 0,75, то шансы равны 3:1. Меры характеристики теста, которые мы обсудили раньше, можно скомбинировать и получить другой показатель – коэффициент правдоподобия ), равный отношению вероятности результата для больного  к вероятности результата для здорового. Коэффициент правдоподобия может быть использован для характеристики полученных клинических данных (таких, как распухшая нога) или результатов теста. Мы опишем два коэффициента правдоподобия, один для положительных результатов теста (или наличия признака), другой – для отрицательных результатов (или отсутствия признака); они обозначаются соответственно LR+ и LR-. LR+ – это отношение вероятности положительного результата для больного к вероятности положительного результата для здорового: Если тест хорошо различает болезнь, TPR будет высоким, а FPR – низким, и LR+ будет много больше единицы. Коэффициент правдоподобия, равный единице, означает, что вероятность результата для больного и здорового одинакова, и тест не имеет смысла. Подобным же образом, LR- равен отношению вероятности отрицательного результата для больного к вероятности отрицательного результата для здорового: У хорошего теста FNR низко, а TNR – высоко, то есть LR- много меньше единицы. Между шансами до и после теста существует простое соотношение: Шансы после теста = (шансы до теста) x LR, то есть: Это теорема Байеса для отношений шансов [Некоторые авторы называют ее формой "шансы-правдоподобие” теоремы Байеса]. Она может быть напрямую получена из теоремы Байеса и определения условной вероятности, введенных нами ранее. Таким образом, для получения шансов после теста надо просто перемножить шансы перед тестом и соответствующий коэффициент правдоподобия. Пример 10. Мы можем сосчитать апостериорную вероятность при положительном результате ЭКГ при физической нагрузке у 60-летнего мужчины, априорная вероятность у которого была равна 0,75. Шансы до теста были

Коэффициент правдоподобия теста равен Шансы после теста, по теореме Байеса для отношений шансов, равны: шансы после теста = 3 x 3,25 = 9,75 : 1.

Выразим, наконец, вероятность через шансы: p = (шансы)/(1 - шансы) =Как и ожидалось, результат согласуется с полученным ранее  Теорема Байеса для отношений шансов дает возможность проводить вычисления быстро, так что можно вычислить вероятность, например, прямо у постели больного. Доступны вероятностные значения многих тестов Зная шансы до теста, шансы после него можно сосчитать в один прием.

Теорема Байеса обеспечивает средства для корректировки оценки вероятности (полученной до теста) с целью учета новой информации. Однако точность вычисления апостериорной вероятности ограничена точностью оцененной априорной вероятности. Точность же априорной оценки достигается с помощью правильного использования опубликованных значений распространенности, эвристических методов и правил клинических прогнозов, и обычно может быть сделана приемлемой. В анализе решений, как мы увидим, часто достаточно знать интервал априорной вероятности. Тем не менее, если ненадежна оценка априорной вероятности, теорема Байеса вряд ли будет иметь ценность.

(4.4) Метод Вальда для дифференциальной диагностики (скрининга). Диагностические баллы для клинических признаков.

Метод последовательного анализа, предложенный Вальдом, применяется для дифференциальной диагностики (распознавания двух состояний). В отличие от метода Байеса, число обследова­ний заранее не устанавливается, их проводится столько, сколько необходимо для принятия решения с определенной степенью риска.

Основы метода.При использовании метода Байеса для распоз­навания состояний D1 и D₂ следует составить отношение (для независимых признаков)

Еслиили

то принимается решение К*Є D₂

В методе последовательного анализа рассматриваемые отно­шения вероятностей признаков (отношения правдоподобия)со­ставляются не сразу, а в последовательном порядке; поэтому, как правило, требуется меньшее число обследований. Подобная форма применяется при нормальном распределении количественных признаков.

Общая процедура метода.Будем для краткости считать, что признаки являются независимыми. Пусть проведено v — 1 обсле­дований, которые еще не дали возможности принятия решения,

но после v-ro обследования

Тогда принимается решение об отнесении объекта к диагнозу D₂ . К*Є D₂. Если после v-гo обследования

то объект относится к диагнозу D_1. Для сокращения объема об­следований следует вначале проводить обследование по наибо­лее информативным признакам. Связь границ принятия решения с вероятностями ошибок пер­вого и второго рода.При распознавании могут быть ошибки двоя­кого рода.

Ошибка относящаяся к диагнозу D₁ (принимается решение о наличии диагноза D₂, когда в действительности объект принадлежит диагнозу D₁), называется ошибкой первого рода. Ошибка, относящаяся к диагнозу D₂ (принимается решение в пользу диагноза D₁ когда справедлив диагноз D₂), называется ошибкой второго рода.

Считая состояние D₁ исправным, а состояние D₂ дефектным, легко понять, что ошибка первого рода является «ложной тре­вогой», а ошибка второго рода «пропуском дефекта».

Обозначим вероятность ошибки первого рода α, второго рода β. Допустим, что имеются условия и принимается ре­шение в пользу диагноза D₂. Вероятность того, что это решение будет справедливым, равна 1— β. Вероятность принадлежности объекта с данной реализацией признаков к диагнозу D₁ состав­ляет α. С другой стороны, в силу соотношения вероятность диагноза D₂, по крайней мере, в А раз больше, чем диа­гноза D₁ т. е.

(4.11)

Подобным образом можно получить и следующую оценку:

(4.12)

В практических расчетах часто принимают α = β = 0,05 или α = β = 0,10.

(4.5) Применение дискриминантного анализа для классификации объектов по результатам мониторинга параметров здоровья и среды обитания.

Дискриминантный анализ – метод многомерного статистического анализа. Он включает в себя методы классификации многомерных наблюдений по принципу максимального сходства при наличии обучающих признаков. В отличие от кластерного анализа новые кластеры не образуются, а являются правилом, по которому объекты относятся к определенной группе. Задачи дискриминантного анализа во многом схожи с задачами логистической регрессии – классификация наблюдений на группы на основе прогностической модели. Несмотря на некоторые сходства дискриминантный анализ и логистическая регрессия обладают существенными различиями. Идеи дискриминантного анализа тесно связаны с дисперсионным, регрессионным анализом.

Смысл дискриминантного анализа – на основании обучающих выборок преобразовать многомерный массив в одномерный показатель для прогнозирования принадлежности наблюдений к группам. Т. е. построить новый обобщенный показатель, значения которого максимально различаются для объектов, отнесенных к разным группам. Обучающая выборка – это множество объектов, заданных значениями признаков и принадлежность которых к тому или иному классу достоверно известна.

Исследование различий между группами – основа концепции дискриминантного анализа. Например, зависимая переменная может быть выбором торговой марки товара (А, В или С), а независимыми переменными могут быть характеристики этих товаров. При проведении дискриминантного анализа – находят дискриминантную функцию (линейную комбинацию независимых переменных), которая наилучшим образом различает категории или группы зависимой переменной.

В медицине дискриминантный анализ, например, поможет оценить состояние пациента по переменным состояния больного: выздоровел полностью, частично или совсем не выздоровел. В биологии, например, можно записать различные характеристики сходных сортов растений, чтобы потом провести анализ дискриминантной функции, наилучшим образом разделяющий типы или группы сортов. В маркетинге, например, можно получить ответы на вопросы: какими демографическими характеристиками обладают приверженцы бренда, как различаются между собой сегменты рынка, какими характеристиками обладают потребители, реагирующие на прямую почтовую рассылку и др.

Дискриминантный анализ в окружающей среде  позволил выделить следующие 16 элементов наиболее значимых для разделения выделенных групп (надрудной, рудной и подрудной): Ag, Sn, Cr, I, Zn, Cu, Pb, Y, W, V, B, Hg, Ва, P, Co, Mn. В специальной таблице представлены коэффициенты для этих элементов и для каждой группы. Используя эти коэффициенты, становится возможным отнесение любой пробы (с данной территории) к надрудной, рудной или подрудной зоне. Достоверность отнесения 96 % . Для того чтобы отнести пробу к той или иной группе необходимо:

умножить значения содержаний химических элементов в пробе на соответствующий коэффициент, указанный в таблице; сложить получившиеся числа; к получившемуся числу прибавить константу группы; проделать тоже самое для двух оставшихся групп; сравнить получившиеся три числа;

пробу следует отнести к той группе, в которой абсолютное значение получившегося числа максимально. Практическая ценность данного анализа например для нашей территории заключается в следующем. Имея получившиеся коэффициенты, мы можем любую пробу с территории отнести к одному из трех ореолов с достоверностью более 90%. Для установления закономерностей взаимоотношений элементов был проведен корреляционный анализ.

(4.6) Методы математического моделирования медико-биологических и экологических процессов. Достижения и проблемы.

Необходимость использования метода моделирования  определяется тем,  что  многие объекты (или проблемы,  относящиеся к этим  объектам) непосредственно исследовать или вовсе невозможно, или же это исследование требует много времени и средств.Процесс моделирования включает три элемента:  1)  субъект (исследователь), 2) объект исследования,  3) модель, опосредствующую отношения познающего субъекта и познаваемого объекта. Пусть имеется  или необходимо создать некоторый объект А. Мы конструируем (материально или мысленно) или находим  в  реальном мире другой объект В - модель объекта А.  Этап построения модели предполагает наличие  некоторых  знаний  об  объекте-оригинале. Познавательные возможности модели обуславливаются тем, что модель отражает какие-либо существенные черты объекта-оригинала. Вопрос  о  необходимости  и  достаточной  мере сходства оригинала и модели требует конкретного анализа.  Очевидно, модель  утрачивает  свой смысл как в случае тождества с оригиналом (тогда она перестает быть оригиналом), так и в случае чрезмерного  во  всех  существенных  отношениях отличия от оригинала.

Таким образом, изучение одних сторон моделируемого объекта осущест- вляется ценой отказа от отражения других сторон. Поэтому любая  модель замещает оригинал лишь в строго ограниченном смысле.  Из этого сле- дует,  что для одного  объекта  может быть построено  несколько  "специализированных" моделей,  концентрирующих внимание на  определенных  сторонах  исследуемого объекта или  же характеризующих объект с разной степенью детализации.

На втором  этапе  процесса моделирования модель выступает как самостоятельный объект исследования.  Одной из форм такого исследования является  проведение  "модельных"  экспериментов, при которых сознательно  изменяются  условия  функционирования модели и  систематизируются данные о ее "поведении".  Конечным результатом этого этапа является множество знаний о модели. На третьем  этапе  осуществляется перенос знаний с модели на оригинал - формирование множества знаний S об объекте. Этот процесс переноса  знаний  проводится по определенным правилам. Знания о модели  должны  быть  скорректированы  с  учетом  тех свойств объекта-оригинала, которые не нашли отражения или были изменены при построении модели. Мы можем с достаточным основанием переносить какой-либо результат с модели на оригинал, если этот результат необходимо связан с признаками сходства оригинала и  модели.  Если  же  определенный результат модельного исследования связан с отличием модели от  оригинала,  то  этот результат переносить неправомерно.

Четвертый этап - практическая проверка получаемых  с  помощью моделей знаний и их использование для построения обобщающей теории объекта,  его преобразования или управления им. Для понимания сущности моделирования важно не упускать из виду, что моделирование - не единственный источник  знаний  об объекте. Процесс  моделирования  "погружен" в более общий процесс познания.  Это обстоятельство учитывается  не  только  на этапе построения  модели,  но  и на завершающей стадии,  когда происходит объединение и обобщение  результатов  исследования, получаемых на основе многообразных средств познания.

Моделирование - циклический процесс. Это означает, что за первым четырехэтапным циклом может последовать второй,  третий и т.д.  При этом знания об исследуемом объекте  расширяются  и уточняются, а исходная модель постепенно совершенствуется. Недостатки, обнаруженные  после  первого  цикла   моделирования, обусловленные малым  знанием  объекта  и ошибками в построении модели, можно исправить в последующих  циклах.  В  методологии моделирования, таким образом, заложены большие возможности саморазвития.

Метод моделирования находит свое применение в медицине и сопутствующих ей науках.Метод моделиpования в медицине является сpедством, позволяющим устанавливать все более глубокие и сложные взаимосвязи между теоpией и опытом. В последнее столетие экспеpиментальный метод в медицине начал   наталкиваться на опpеделенные гpаницы, и выяснилось, что целый pяд  исследований невозможен без моделиpования. Если остановиться на некотоpых пpимеpах огpаничений области пpименения экспеpимента в медицине, то они будут в основном следующими:

 а) вмешательство в биологические системы иногда имеет такой хаpактеp,

 что невозможно установить пpичины появившихся изменений  (вследствие  вмешательства или по дpугим пpичинам);

 б) некотоpые теоpетически возможные экспеpименты неосуществимы вследствие низкого уpоня pазвития экспеpиментальной техники;

 в) большую группу экспериментов, связанных с экспериментированием

 на человеке, следует отклонить по моpально-этическим сообpажениям.

 Но моделиpование находит шиpокое пpименение в области медицины

 не только из-за того, что может заменить экспеpимент. Оно имеет боль-

 шое самостоятельное значение, котоpое выpажается    в целом pяде         пpеимуществ: 

 1. с помощью метода моделиpования на одном комплексе данных можно

 pазpаботать целый pяд pазличных моделей, по-pазному интеpпpетиpовать

 исследуемое явление, и выбpать наиболее плодотвоpную из них для тео-

 pетического истолкования.            

 2. в пpоцессе постpоения модели можно сделать pазличные дополнения

 к исследуемой гипотезе и получить ее упpощение.

 3. в случае сложных математических моделей можно пpименять ЭВМ.

 4. откpывается возможность пpоведения модельных экспеpиментов (модельные экспеpименты на подопытных животных) .

      Все это ясно показывает, что моделиpование выполняет в медицине

 самостоятельные функции и становится все более необходимой сту-

 пенью в пpоцессе создания теоpии. 

Во второй половине двадцатого столетия широкое развитие получила такая сопутствующая медицине наука  как  иммунология. Успехи, достигнутые в иммунологии, оказывают прямое влияние на методы лечения, на всю клиническую практику в медицине. Проблемы иммунологии тесно связаны с проблемами лечения (послеоперационное заживление ран, трансплантация органов, раковые заболевания, аллергии и иммунодефициты).

К настоящему времени клиницистами и иммунологами накоплен огромный материал наблюдений за течением различных инфекционных заболеваний и на основе анализа этого материала получены фундаментальные результаты ,касающиеся механизмов взаимодействия антигенов и антител на различном уровне детализации: от макроскопического до внутриклеточного генетического .Эти результаты позволили подойти к построению математических моделей иммунных процессов. В подготовке этого реферата были использованы материалы монографии Г.И.Марчука «Математические модели в иммунологии»,в частности, простейшая математическая модель заболевания, которая будет рассматриваться далее. Простейшая математическая модель будет построена на основе соотношения баланса для каждого из компонентов участвующих в иммунном ответе.  Именно ввиду такой концепции частные особенности функционирования иммунной системы не оказываются существенными для анализа динамики болезни, а на первый план выступают основные закономерности протекания защитной реакции организма. Поэтому при построении математической модели не будут различаться клеточные и гуморальные компоненты иммунитета, участвующие в борьбе с антигенами, проникшими в организм. Предположим лишь, что такими  компонентами организм располагает. Они будут названы антителами, в независимости от того, имеем ли мы дело с клеточно-лимфоидной системой иммунитета или с гуморально-иммуноглобулиновой. В этой модели предполагается также, что организм располагает достаточными ресурсами макрофагов, утилизирующих продукты иммунной реакции, а также других неспецифических факторов, необходимых для нормального функционирования иммунной системы . В связи с этим  мы ограничимся рассмотрением трех компонентов : антигена  антитела  и плазматической клетки , производящей антитела. В качестве антигенов здесь будут выступать патогенные бактерии, либо вирусы. Следует также отметить, что при заболевании большое значение имеет степень поражения органа, подверженного атаке антигенов, поскольку оно в конечном итоге приводит к снижению активности иммунной системы. Это, естественно,  должно быть отражено в математических моделях.

Итак, будем считать, что основными действующими факторами инфекционного заболевания являются следующие величины.

1) Концентрация патогенных размножающихся антигенов V(t).

2) Концентрация антител F(t).

3) Концентрация плазматических клеток C(t).

4) Относительная характеристика пораженного органа m(t).

Переходим к построению  уравнений модели. Первое уравнение будет описывать изменение числа антигенов в организме:

                                             dV= bVdt-gFVdt.                 (1)

 Первый член в левой части этого уравнение описывает прирост антигенов dV за интервал времени  dt  за счет размножения .Естественно, что он пропорционален  V и некоторому числу b, которое будем называть коэфициентом размножения антигенов . Член gFVdt описывает число антигенов ,нейтрализируемых антителами F за интервал   времени  dt .В самом деле, число таких вирусов, очевидно,будет пропорционально как количеству  антител в организме, так и количеству антигенов; g-коэфициент, связанный  с вероятностью нейтрализации антигена антителами при встрече с ним. Разделив соотношение  (1) на dt  получим:

                                                dV/dt=(b-gF)V.

Второе уравнение будет описывать рост плазматических клеток.

                                  dC=aF(t-t)V(t- t)V(t- t)dt-u(C-C*)dt.   (2)

Первый член правой части-генерация плазмоклеток, t-время,в течение которого осуществляется формирование каскада плазматических клеток, a-коэфициент,учитывающий вероятность встречи антиген-антитело, возбуждение каскадной реакции и число образующихся новых клеток.Второй член во второй формуле описывает уменьшение числа плазматических  клеток за счет старения, u-коэфициент,равный обратной величине их времени жизни.Разделив соотношение (2) на dt, приходим к уравнению :

                                dC/dt=a F(t-t)V(t- t)V(t- t)- u(C-C*).

Для получения третьего уравнения подсчитывают баланс  числа антител, реагирующих с антигеном.Исходят из соотношения:

                                 dF=pCdt-hgFVdt-ufFdt. (3)

pCdt-генерация антител плазматическими клетками за интевал времени dt, p-скорость производства антител одной плазматической клеткой, hgFVdt-описывает  уменьшение числа  антител в интервале времени dt за счет связи с антигенами . ufFdt-уменьшение популяции антител за счет старения,где uf-коэфициент,обратно пропорциональный времени распада антител.Разделив (3) на dt получим:

                                 dF/dt=pC-(uf+ hgV)F.

Введем в рассмотрение уравнение для относительной характеристики поражения органа- мишени.М-характеристика здорового органа.М*-соответствующая характеристика здоровой части пораженного органа Вводим в рассмотрение величину m по формуле:

                                  m=1-M*/M

Для непораженного органа ,m равна нулю,для полностью пораженного –единице.Для этой характеристики рассмотрим уравнение(четвертое уравнение):

                                 dm/dt=sV-um

Первый член правой части  характеризует степень поражения органа. sV-количество антигенов, где  s-некоторая константа ,своя для каждого заболевания. Уменьшение этой характеристики происходит за счет восстановительной деятельности организма.

Совершенно ясно, что при сильном поражении жизненно важных органов производительность выработки антител падает. Это является роковым для организма и ведет к летальному исходу. В нашей модели фактор  поражения жизненно важных органов можно учесть в уравнении (2), заменив коэффициент a на произведение ae(m).

(4.7) Принципы построения и использования экспертных систем в медицине. Блок-схема ПО экспертной системы. Базы знаний. Алгоритмы логического вывода. Объяснительная компонента.

Процесс же создания любой экспертной системы всегда состоит из нескольких шагов. Первым шагом является определение проблем, целей разработки и задач, которые будут решаться. На этом же этапе определяются типы пользователей и эксперты. Вторым шагом является анализ той области знаний, с которой будет работать ЭС, т.е. определяются понятия и их взаимосвязи, рассматриваются методы решения поставленных задач. Третьим шагом является структурирование знаний (моделируется работа системы, формализуются основные понятия, определяются способы интерпретации, представления и управления знаниями). Четвёртый шаг - формализация, т.е. заполнение базы знаний. Пятый шаг - это непосредственно реализация экспертной системы, а шестой и последний шаг - тестирование ЭС.

\

К проектированию экспертных систем существуют различные подходы и методы, однако среди разработчиков медицинских ЭС на данный момент одним из наиболее приоритетных направлений является разработка так называемых самообучающихся интеллектуальных систем (СИС), а конкретнее - искусственных нейронных сетей.

Искусственные нейронные сети (ИНС) - это математические модели и их программные (или аппаратные) реализации, которые строятся по образу биологических нейронных сетей (сетей нервных клеток живого организма, которые объединены в нервной системе). Иными словами, ИНС - это системы для обработки информации, которые основаны на моделировании функций работы живого мозга.

База знаний (БЗ; англ. knowledge base, KB) в информатике и исследованиях искусственного интеллекта — это особого рода база данных, разработанная для оперирования знаниями (метаданными). База знаний содержит структурированную информацию, покрывающую некоторую область знаний, для использованиякибернетическим устройством (или человеком) с конкретной целью. Современные базы знаний работают совместно с системами поиска информации, имеютклассификационную структуру и формат представления знаний.

АЛОГОРИТМ ЛОГИЧЕСКОГО ВЫВОДА

(4.8) Порядок разработки экспертной системы поддержки принятия решений. Факторы обеспечения эффективности экспертной системы поддержки принятия решений

Система поддержки принятия решений - система, использующая модели объекта управления, опирающаяся на вычислительные или имитационные модели и расчетные методы (линейное программирование, теорию массового обслуживания, сетевые модели).

Процесс выработки решения на основе первичных данных можно разбить на два этапа: выработка допустимых вариантов решений путем математической формализации с использованием разнообразных моделей и выбор оптимального решения на основе субъективных факторов.

Для поддержки принятия решений обязательным является наличие следующих компонент:

- обобщающего анализа;

- прогнозирования;

- ситуационного моделирования.