6. Метод ассоциативных правил.

Ассоциативные правила позволяют находить закономерности между связанными событиями, происходящими одновременно – транзакциями. В нашем случае транзакцией является каждый клинический случай, состоящий из совокупности изучаемых синдромов. То есть изучению подлежат 46 транзакций. Необходимо найти закономерности между ними.

Как в условии, так и следствии правила должны находиться элементы транзакций.Пусть I = {i1, i2 ,…, in} – множество элементов, входящих в транзакцию. D – множествотранзакций.

Ассоциативным правилом называется импликация X Þ Y (читается «X дает Y» или «из Xследует Y»), где X Ì I, Y Ì I и X Ç Y = Æ. Полученное правило имеет достоверность, которая показывает, какова вероятность того, что из X следует Y.

Алгоритмы поиска ассоциативных правил предназначены для нахождения всех правил XÞY,причем достоверность этих правил должна быть выше некоторого заранееопределенного порога, называемого, минимальной достоверностью (minconfidence).В нашем случае мы получили формулирование трех ассоциативных правил с равной достоверностью в 50% (рис.10). Поэтому их можно объединить в одно, а именно:

«из всех изучаемых нами синдромов для развития синдрома цитолиза имеют значение следующие лабораторные критерии – серопозитивность (М) к ЦМВ и ВЭБ и лейкоцитоз. Достоверность данного утверждения составляет 50%».

Рис.10 . Ассоциативные правила для синдрома цитолиза.

Выводы:

1. Распространенность синдрома цитолиза при инфекционном мононуклеозе у детей составляет 39%.

2. Статистическими методами корреляция среди совокупности признаков, взятых для исследования не определяется.

3. Применение методов искусственного интеллекта позволяет сделать следующие выводы:

- при наличии у больного синдрома гепатоспленомегалии вероятность (шанс) развития синдрома цитолиза в 3 раза выше по сравнению с другими признаками в изучаемой совокупности;

- при наличии у больного синдрома гепатоспленомегалии и ангины, цитолиз вероятен с достоверностью 54%;

- при наличии у больного серопозитивности (М) к ЦМВ и ВЭБ и лейкоцитоза, цитолиз вероятен с достоверностью 50%.

4. Таким образом, в прогностическую модель развития синдрома цитолиза при инфекционном мононуклеозе у детей включены следующие критерии из исследуемой выборки:

- синдром гепатоспленомегалии;

- синдром ангины;

- серопозитивность (наличие антител класса М) к ЦМВ и ВЭБ;

- лейкоцитоз периферической крови (значения выше 13*10*9).

Опыт построения математической модели регионарной лимфаденопатии у детей дошкольного возраста.

Лимфаденопатии (ЛАП) — одно из наиболее частых патологических состояний в клинической практике. ПодЛАП следует понимать любое изменение лимфатических узлов (ЛУ) по размеру, и/или консистенции, и/или количеству. Выполняя важную защитную роль, ЛУ одними из первых встают на пути распространения инфекции и других чужеродных антигенов (аллергены, опухолевые клетки и др.). Именно поэтому ЛАП являются одними из ранних симптомов многих инфекционных, аллергических, системных, опухолевых и других заболеваний. В клинической практике выделяют локализованную и генерализованную ЛАП. [4] К генерализованной ЛАП относится поражение ЛУ в двух или более несмежных областях (например, шейные и подмышечные, подмышечные и паховые). Локализованная (регионарная) ЛАП — поражение ЛУ в одной или двух смежных анатомических зонах.

Математические модели строятся на основе данных экспери­мента или умозрительно, описывают гипотезу, теорию или зако­номерность того или иного феномена и требуют дальнейшей про­верки на практике. Математическое мо­делирование часто позволяет предвидеть характер изменения ис­следуемого процесса в условиях, трудно воспроизводимых в экс­перименте, а в отдельных случаях позволяет предсказать ранее неизвестные явления и процессы.

Цель исследования – разработка математической модели регионарной лимфаденопатии у часто болеющих детей дошкольного возраста.

Материалы и методы

Для построения математической модели использовались результаты осмотра 47 детей дошкольного возраста, пришедших на прием к врачу-инфекционисту. В построении математической модели для прогнозирования развития регионарной лимфаденопатии были использованы методы интеллектуального анализа данных DataMiningоснованные на применении деревьев решений и искусственных нейронных сетей. Анализ производился при помощи программы DeductorStudio 5.3, входящей в аналитическую платформу DeductorLite, разработанной в фирме BaseGroupLabs

Для построения математической модели регионарной лимфаденопатиибыли выбраны следующие объективные критерии:

- степень гипертрофии небных миндалин;

- инфекционный индекс (В. Ю. Альбицкий , А. А. Баранов, 1986г.) [1]

По возрасту все дети были распределены в две группы: с 3 до 5, и, старше 5-ти лет. На момент обращения острые клинические явления у всех детей отсутствовали. Повод для обращения к врачу – частая респираторная заболеваемость.

Гипертрофию небных миндалин оценивали визуально: I степень - до 1/3 расстояния от края передней небной дужки до языка, II степень - до 2/3 этого расстояния, III степень - миндалина доходит до язычка мягкого неба. Консистенция миндалин мягкая, гладкая без патологического содержимого в лакунах.

Инфекционный индекс (ИИ) определялся как соотношение суммы всех ОРЗ за год к возрасту ребенка

Сумма ОРЗ за год

ИИ = ------------------------------------------

Возраст ребенка в годах

В норме ИИ = 0,2 – 0,3; у часто болеющих детей он = 1,1 – 3,5.

Для того чтобы использовать ИИ в нашем исследовании, мы придали ему 3 степени значимости:

1 степень – значение индекса от 1 до 1,9

2 степень – от 2,0 до 2,9

3 степень – более 3.

Таким образом, 3 степень ИИ определяет группу наиболее часто болеющих детей из всех обследованных.

Состояние лимфатических узлов оценивалось пальпаторно. Во всех случаях признаки воспаления лимфоузлов (болезненность, отек, гиперемия) отсутствовали. Лимфатические узлы определялись нами как единичные и множественные, размер оценивался в сантиметрах.

Для решения задачи распознавания значимости в развитии регионарной лимфаденопатииизбранных критериев, была построена математическая модель в форме дерева решений. Оно позволяет в доступной и наглядной форме представлять правило в форме «если… то…», что способствует оптимизации процесса работы врача.

Для оценки значимости показателя использован коэффициент значимости в %, лежащий в диапазоне от 0 до 100. Чем выше значение данного коэффициента, тем более значим показатель. При построении деревьев решений для отсечения незначимых показателей использовано пороговое значение 20 %. [2]

Первичные данные были занесены в электронную таблицу, причем цифровые значения были представлены в форме «да-нет», таким образом, для анализа использовалось содержимое 188 ячеек (таблица размером 47*4).С помощью программы DeductorStudio 5.3 было построено дерево решений для синдрома регионарной лимфаденопатии(целевой атрибут). Точность моделирования составила 73,3 %. (рис 1)

Рис.1 Построение дерева решений алгоритмом С4.5 (DeductorStudio 5.3)

На основании полученного дерева решений сформулировано правило в виде «если,…то» для регионарной лимфаденопатии у дошкольников группы ДЧБ:

Если у детей старше 3-х лет инфекционный индекс ≥ 3,0, то регионарная лимфаденопатия имеет максимальную степень выраженности. (качество проведенной классификации 73%)

Дерево решений позволяет автоматически определять значимость входных переменных, для чего предназначен визуализатор Значимость атрибутов (рис.2)

Рис 2 Значимость атрибутов, использованных для построения дерева решений (DeductorStudio 5.3).

Так, мы видим, что наибольшую значимость для прогнозирования развития регионарной лимфаденопатии у дошкольников из группы ДЧБ имеет инфекционный индекс (ИИ) - 66 % значимости.

Выводы:

1. Степень регионарной лимфаденопатии у дошкольников группы ДЧБ является максимальной при значениях инфекционного индекса (ИИ) ≥3( точность моделирования 73%).

2. Степень гипертрофии небных миндалин не влияет на выраженность регионарной лимфаденопатии у ДЧБ дошкольного возраста.

Использованная литература:

1. Альбицкий В.Ю., Баранов А.А. В кн.: Часто болеющие дети. Клинико-социальные аспекты, пути оздоровления. Саратов, 1986.

2. Deductor Руководство аналитика Версия 5.2 © 1995-2009 Компания BaseGroup™ Labs.

3. http://www.basegroup.ru/company/about/ – BaseGroupLabs – профессиональный поставщик программных продуктов и решений в области анализа данных.

4. Зайков С.В. Дифференциальная диагностика синдрома лимфаденопатии / С.В. Зайков // Клиническая иммунология. Аллергология. Инфектология. — 2012, № 4. — С. 16-24.

5. Терещенко С.Ю. Периферическая лимфаденопатия у детей: дифференциальная диагностика / С.Ю. Терещенко // ConsiliumMedicum, Педиатрия. — 2011, № 4. — С. 54-59.

6. Румянцев А.Г., Чернов В.М., Делягин В.М. Синдром увеличенных лимфатических узлов как педиатрическая проблема /А.Г. Румянцев// Практическая медицина. — 2007, № 5— С. 12-15