Учебное пособие 800633
.pdfРис. 1 (продолжение)
Структурно система состоит из подсистемы оценки состояния пациентов, информационно-справочной подсистемы, подсистемы генерации отчётов и базы данных. Интерфейсный модуль служит связующим звеном между внутренними модулями и лечащим врачом.
При разработке структуры и состава информационного обеспечения системы обеспечения деятельности прививочного кабинета рассматриваются два аспекта в неразрывной связи: способность накапливать, хранить, корректировать, обобщать данные о пациентах и способность использовать накопленную информацию для принятия эффективных решений.
111
Рис. 2. Взаимодействие модулей автоматизированной системы
На основе разработанных алгоритмов в соответствии со структурной схемой автоматизированной системы в дальнейшем может быть разработано программное обеспечение, предусматривающее возможность заполнения пользователем журнала прививок, его просмотр и редактирование, позволяющее хранить информацию о результатах вакцинации, проводимой в медицинском учреждении, вести и редактировать календарь прививок. Существует возможность формирования различной отчётности по вакцинации, которая помогает вести эффективный документооборот.
Литература
1.Вакцины и вакцинация: национальное руководство / под ред. В.В. Зверева, Б.Ф. Семёнова, Р.М. Хаитова. – М.:ГЭОТАР-Медиа, 2011. – 880 с.
2.Ануфриев В.В., Баранов Р.Л. Разработка автоматизированной системы обработки и хранения результатов вакцинации в ЛПУ // Управление в биомедицинских, социальных и экономических системах: межвуз. сб. науч. тр. Воро-
неж, 2013. С. 92-96.
3.Информация и принципы управления в биомедицинских системах / Е.Н. Коровин, О.В. Родионов, Л.В. Стародубцева, В.Н. Коровин. Курск, 2017. 120 с.
Воронежский государственный технический университет
112
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)
Признак |
Уилкса |
Частная |
F- |
p-уров. |
Толер. |
1-толер. |
лямбда |
лямбда |
исключ |
||||
|
|
|
|
|
|
|
Анамнез |
0,056283 |
0,605537 |
8,68684 |
0,000013 |
0,878062 |
0,121939 |
Вид мокроты |
0,035874 |
0,850028 |
2,02069 |
0,049451 |
0,882606 |
0,117394 |
Анализ крови |
0,074094 |
0,459972 |
13,85372 |
0,000000 |
0,981423 |
0,018577 |
Размер тени |
0,047468 |
0,717980 |
5,63500 |
0,001236 |
0,921997 |
0,078003 |
Локализация затемне- |
0,054473 |
0,625651 |
7,86036 |
0,000031 |
0,916051 |
0,083949 |
ния |
|
|
|
|
|
|
Стенки полости |
0,039985 |
0,752344 |
3,04417 |
0,035454 |
0,987568 |
0,012432 |
Форма |
0,065070 |
0,523766 |
10,72915 |
0,000000 |
0,962855 |
0,037145 |
Наличие уплотнений |
0,037747 |
0,802879 |
2,26931 |
0,039251 |
0,929369 |
0,070631 |
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
Y4 = -68,7652+ 0,6998*X1 - 0,1103*X2 + 2,3850*X3 +
+ 3,9948*X4 + 7,3588*X5 + 0,8953*X6 + 0,0823*X7-0,1409*X8,
Y5 = -89,5891 + 1,1026*X1 -0,6665*X2 + 1,2781*X3 +
+ 5,3228*X4 + 7,8928*X5 + 1,0969*X6 + 1,0958*X7 + 0,2534*X8,
Y6 = -54,3050+ 0,5079*X1 -0,0422*X2 + 2,2101*X3 +
+ 4,4072*X4 + 5,1064*X5 + 0,7352*X6 + 1,4130*X7 + 0,0070*X8,
где Y1 - кавернозный туберкулез, Y2 - инфильтративный туберкулез, Y3 - очаговый туберкулез,
Y 4 - диссеминированный туберкулез, Y5 - рак легких,
Y6 - пневмония;
X1 - анамнез (слабость, утомляемость, потеря веса, бледность, температура, кашель, мокрота, кровохаркание, рвота, головные боли, кровь в каловых массах, поносы, боли в груди),
X2 - вид мокроты (гнойная, слизистая или кровяная),
X3 - анализ крови (повышенное содержание эритроцитов, лейкоцитов, лимфоцитов, повышенный гемоглобин и СОЭ),
X4 - размер тени (мелкие, средние, крупные),
X5 - локализация затемнения (верхние и нижние отделы, одинарные и множественные затемнения),
X6 - стенки полости (гладкие, ровные, четкие, нечеткие, бугристые, рыхлые, отечные, неоднородные),
X7 - форма (щелевидная, округлая, кольцевидная, овальная, неправильная, облаковидная, звездчатая),
X8 - наличие уплотнений.
На основе полученных дискриминантных функций было протестировано 24 пациента (по 5 пациентов с кавернозным, инфильтративным и диссеминированным туберкулезом, 4 с очаговым туберкулезом, 3 с пневмонией и 2 с раком легких). В результате тестирования двум пациентам был поставлен неправильный диагноз. Таким образом, достоверность постановки диагноза по дискриминантным функциям составила 91 %.
116
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