Учебное пособие 800633

УДК 681.3

Е.И. Новикова, М.С. Войликова

РАЗРАБОТКА СТАТИСТИЧЕСКИХ МОДЕЛЕЙ ДЛЯ ДИАГНОСТИКИ ЛЕГОЧНЫХ ЗАБОЛЕВАНИЙ

В статье рассматриваются вопросы классификации и для дальнейшей обработки и анализа данных для диагностики легочных заболеваний, на основе кластерного и дискриминантного анализов

Ключевые слова: обучающая выборка, критерий Уилкса, кластерный анализ, дискриминантный анализ

Заболевания органов дыхания занимают большое место среди поражений внутренних органов и встречаются почти так же часто, как заболевания сердечно сосудистой системы.

Медико - социальное значение болезней органов дыхания в современных условиях велико и определяется, прежде всего, их крайне высокой частотой среди различных контингентов населения а распространенность этих заболеваний, тяжесть и длительность приводит к тому, что они все чаще становятся причиной инвалидности и смертности больных.

Несмотря на высокие достижения в медицине, проблема диагностики легочных заболеваний, таких как пневмония, туберкулез и рак легких в настоящее время является очень актуальной, так как их распространенность растет с каждым годом.

Для повышения эффективности диагностики таких патологий необходима автоматизация обработки диагностических данных. Таким образом разработка статистических моделей позволит ускорить процесс обработки большого объема информации и облегчить работу персонала.

Для построения моделей были собраны данные о 98 пациентах с легочными заболеваниями (по 20 пациентов с диагнозом кавернозный, инфильтративный и диссеминированный туберкулез, 15 – очаговый туберкулез, 13 – пневмония и 10 пациентов с раком легких), и на их основе применены такие методы математического моделирования как кластерный и дискриминантный анализ.

Для выделения больных по группам легочных заболеваний использовался кластерный анализ. Формирование кластеров заболеваний проводилось по 97

113

пациентам с учетом весов, полученных в ходе экспертного оценивания. Результатом иерархической кластеризации является дендограмма, представленная на рисунке.

Кластеризация проведена по строкам, так как им соответствует пациенты.

В качестве метода был выбран метод Уорда, в котором объединения проводятся

сучетом минимального приращения внутригрупповой суммы квадратов отклонения. А в качестве меры близости использовали Евклидово расстояние.

Результат кластерного анализа (дендограмма):

1- кавернозный туберкулез, 2 - инфильтративный туберкулез, 3 - очаговый туберкулез,4 - диссеминированный туберкулез, 5 - рак легких, 6 - пневмония

По полученному результату видно, что пациенты разбиты на 6 кластеров, что и соответствует количеству рассмотренных заболеваний. Также можно отметить, что 5 пациентов (107, 502, 508, 509 и 313) не попали в свои группы. Такая ситуация произошла из за того, что у пациентов оказались схожие признаки в результате обследований. Таким образом достоверность кластеризации соста-

вила 94,8%.

Для поиска переменных, позволяющих относить наблюдаемые объекты в группы использовался дискриминантный анализ, главной целью которого является нахождение такой линейной комбинации переменных, которая бы оптимально разделила бы рассматриваемые группы.

Исходная выборка была поделена на две части - обучающую и тестовую. В тестовую вошли 24 пациента. Остальные пациенты составили обучающую выборку (74 пациента), которую и использовали для вычисления дискриминантных функций.

В процессе проведения дискриминантного анализа признаки были объеде-

114

ны в группы («Анамнез», «Вид мокроты», «Анализ крови», «Размер тени», «Локализация затемнения», «Стенки полости», «Форма», «Наличие уплотнений»).

Итоги дискриминантного анализа представлены в таблице. По полученной таблице можем сделать вывод о том, что по р – уровню значимости все критерии значимы.

Итоги анализа дискриминантных функций (Переменных в модели: 8;

Лямбда Уилкса: 0,03408 прибл. F (40,259)=7,6107 p<0,0000)

Статистическую значимость проверяли с использованием остаточной дискриминантной способности (т.е. способности переменных различать классы до определения функции, если исключить информацию, полученную с помощью ранее вычисленных функций). Для чего применялась Λ - статистика Уилкса. Значение критерия Λ Уилкса = 0,03408, т.е. близко к нулю, что говорит о хорошем различии между классами.

В результате проведения анализа были получены дискриминантные функции, имеющие следующий вид:

Y1 = -58,1604 + 0,8317*X1 -0,1794*X2 + 1,6580*X3 +

+ 3,2724*X4 + 6,6819*X5 + 0,7874*X6 + 0,5056*X7 + 0,2059 *X8,

Y2 = -57,7186+ 0,6910*X1 -0,4665*X2 + 0,9706*X3 +

+ 4,0095*X4 + 7,2931*X5 + 0,8862*X6+ + 0,0328*X7 + 0,2068*X8,

Y3 = -61,4562 + 0,8907*X1 -0,3883*X2 + 1,3705*X3 +

+ 4,1512*X4 + 7,1243*X5 + 0,7874*X6 + 0,2266*X7 - 0,1462*X8,

115

Литература

1.Новикова Е.И. Анализ и разработка нейросетевых моделей оценки осложнений инфаркта миокарда / Е.И. Новикова, О.В. Родионов // Системный анализ и управление в биомедицинских системах. Москва, 2011. Т. 10. № 1. С 96-99.

2.Новикова Е.И. Разработка моделей и алгоритма, обеспечивающих повышение эффективности процесса дифференциальной диагностики острого панкреатита / Новикова Е.И., Штырлина Д.П., Панченко И.В. // Системный анализ и управление в биомедицинских системах. 2014. Т. 13. № 4. С. 933-937.

3.Новикова Е.И. Разработка нейросетевой модели диагностики заболеваний позвоночника / Новикова Е.И., Пазий Т.Н. // Системный анализ и управление в биомедицинских системах. 2013. Т. 12. № 4. С. 947-950.

4.Новикова Е.И. Оценка состояния больных с опухолями матки и яичников на основе кластерного и дискриминантного анализа / Новикова Е.И., Родионов О.В., Фролов М.В. // Системный анализ и управление в биомедицин-

ских системах. 2006. Т. 5. № 2. С. 364-366.

5.Новикова Е.И. Анализ, алгоритмизация и управление процессом диагностики гинекологических заболеваний на основе многовариантного моделирования / Новикова Е.И. автореферат диссертации на соискание ученой степени кандидата технических наук / Воронежский государственный технический университет. Воронеж, 2006.

6.Новикова Е.И. Анализ, алгоритмизация и управление процессом диагностики гинекологических заболеваний на основе многовариантного моделирования / Новикова Е.И. диссертация на соискание ученой степени кандидата технических наук / Воронеж, 2006.

7.Новикова Е.И. Разработка решающих правил для прогнозирования диагноза опухолей матки и яичников / Новикова Е.И., Родионов О.В., Фролов М.В. // Вестник Воронежского государственного технического университета. 2006. Т. 2. № 7. С. 27-29.

8.Новикова Е.И. Разработка логической модели на основе методов распознавания образов и добычи данных для диагностики внутреннего эндометриоза, миомы матки и опухолей яичников / Новикова Е.И., Родионов О.В. // Вестник Воронежского государственного технического университета. 2008. Т.

4.№ 12. С. 108-111.

Воронежский государственный технический университет

117

УДК 681.3

Е.Н. Коровин, В.Н. Коровин, А.С. Лисицын

КЛАССИФИКАЦИЯ НАСЕЛЕННЫХ ПУНКТОВ МУНИЦИПАЛЬНОГО РАЙОНА ПО ЗАБОЛЕВАЕМОСТИ ОРВИ НА ОСНОВЕ ГЕОИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ

В данной статье рассматривается классификация населенных пунктов муниципального района по заболеваемости ОРВИ на основе геоинформационных технологий

Ключевые слова: ОРВИ, ГИС, район, оценка, сравнение

Острые респираторные вирусные инфекции (ОРВИ) - самое распространённое заболевание, в том числе у детей. Даже в неэпидемические годы регистрируемая заболеваемость ОРВИ во много раз превышает заболеваемость всеми основными инфекционными болезнями. В период пандемий за 9-10 мес в эпидемический процесс вовлекается более 30% населения земного шара, причём более половины из них составляют дети. Заболеваемость среди детей различных возрастных групп может отличаться в зависимости от свойств вируса, вызвавшего эпидемию. Однако в большинстве случаев наиболее высокий уровень заболеваемости отмечают у детей от 3 до 14 лет.

Использование мониторинговых подходов для анализа качества медицинского обслуживания населения в территориально распределенной системе района требует совершенствования информационного обеспечения, ориентированного на развитие системы здравоохранения, что, в свою очередь, ставит задачу получения качественной и достоверной информации и разработки процедуры ее использования. Особое значение при исследовании территориально распределенных систем занимают геоинформационные технологии, которые позволяют установить новые зависимости между медицинскими, демографическими, экологическими и географическими данными. При изучении заболеваемости населения в целом, наряду со статистическими методами исследования, целесообразным является применение медико-географических методов. Это обусловлено тем, что одни статистические выводы, без учета картографического анализа, не всегда раскрывают роль факторов внешней среды в распространении болезней, особенно применительно к конкретным территориям.

118

Применение метода картографического анализа не только позволяет показать пространственное положение тех или иных явлений, но и помогает раскрывать смысл и значение этих явлений в их взаимосвязях, исходя из целей медицинского исследования. Важную роль в изучении пространственно-распределенной информации по заболеваемости имеет картографический анализ. Специальная карта дает возможность видеть взаимосвязи между распространением заболевания и определенными географическими факторами данной местности.

Использование ГИС позволяет установить новые зависимости между сборами медицинских и географических данных, их пространственного анализа, и представляет пользователю возможность оптимизировать процесс выбора стратегий в составлении плана лечебно-профилактических мероприятий. Геоинформационное моделирование проводилось с использованием пакета ArcView 3.0. На первом этапе было подготовлено растровое изображение карты Ракитянского района Белгородской области с выделенными врачебными участками (рис. 1).

Рис. 1. Исходная карта Ракитянского района

Далее была создана атрибутивная таблица с данными по ОРВИ для Ракитянского района (рис. 2).

Рис. 2. Атрибутивная таблица

119

На рис. 3 представлена карта с результатами классификации участков по среднему значению заболеваемости ОРВИ.

Рис. 3. Классификация участков по среднему значению ОРВИ

На рис. 4 представлена карта с результатами классификации участков по среднему значению заболеваемости ОРВИ среди детей.

Рис. 4. Классификация участков по среднему значению ОРВИ среди детей

Далее были созданы карты с результатов классификации участков по годам: 2012, 2013, 2014, 2015 и 2016, представленные на рис. 5.

120