Учебное пособие 800633

Табличное значение критерия Пирсона берем с вероятностью ошибки P =

5%.

Так как X2расч >X2табл, гипотеза о согласованно сти экспертов принимается.Далее построена гистограмма ранжирова ния (рисунок).

знаков

Гистограмма ранж ирования

Исходя из п остроен ной гистограммы видно, что самый влиятельный признак по версии экспертов №8 (гипертрофия левого желудочка сердца). За ним следуют признаки 1 и 2 (п овышен ное артериальное давление пациента при обращении к специалисту и постоянное повыш ение артериального давления соответственно).

Анализируя гистограмму ранжирования, мною были выделены наиболее влиятельные признаки для постано вки диагноза и определения стадии заболевания:

-гипертрофия левого желудочка сердца;

-повышенн ое артериальное давление на момент обращения к специали-

сту;

- постоянное повышение артериального давления выше 140/90;

171

-изменение сосудов глазного дна;

-атеросклероз сосудов;

-ишемическая болезнь сердца;

-перенесение пациентом инфаркта;

-перенесение пациентом инсульта.

Полученные данные позволяют наиболее точно определить наличие у пациента такого заболевания, как гипертоническая болезнь по наименьшему количеству данных с использованием наименьшего количества времени.

Литература

1.Алан Л. Рубин. Гипертония для «чайников» - High Blood Pressure For Dummies. — М.: «Диалектика», 2007.

2.Шулутко Б. И., Макаренко С. В. Стандарты диагностики и лечения внутренних болезней. 3-е изд. СПб.: «Элби-СПБ», 2005.

3.Информация и принципы управления в биомедицинских системах / Е.Н. Коровин, О.В. Родионов, Л.В. Стародубцева, В.Н. Коровин. Курск, 2017. 120 с.

4.Коровин Е.Н., Сергеева М.А., Стародубцева Л.В. Методы обработки биомедицинской информации. Курск, 2017. 152 с.

5.Родионов О.В., Воронин А.И., Коровин Е.Н. Медицинские информационные системы. Воронеж: ВГТУ. 2003. 123 с.

6.Интеллектуализация процесса диагностики хронического пиелонефрита на основе априорного ранжирования мнения экспертов / Е.Н. Коровин, В.Н. Коровин, К.О. Левенков, М.В. Лущик // Системный анализ и управление в биомедицинских системах. 2016. Т. 15. 4. С. 647-650.

7.Коровин Е.Н., Сергеева М.А. Оценка значимости клинических признаков риска развития патологии эндометрия на основе метода априорного ранжирования//Системный анализ и управление в биомедицинских системах. М., 2017. Т.16. №. 1. С. 107-109.

8.Построение математической модели выбора вида лечебного воздействия у пациентов с синдромом диабетической стопы по результатам предварительной обработки информации / Д.В. Судаков, О.В. Родионов, Е.Н. Коровин, О.В. Судаков // Системный анализ и управление в биомедицинских системах. 2012. Т. 11. № 4. С. 869-872.

Воронежский государственный технический университет

172

УДК 681.3

В.Н. Коровин, С.А. Путилин

ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ ДЛЯ ДИАГНОСТИКИ СТЕНОКАРДИИ

Встатье рассматривается создание нейронной сети для диагностики

упациентов различных форм стенокардии, а именно стабильной и нестабильной стенокардии

Ключевые слова: стенокардия, нейросетевое моделирование, нейросеть

Одной из наиболее распространенных клинических форм ишемической болезни сердца является стенокардия, представляющая собою характерный болевой синдром, обусловленный преходящей ишемией миокарда вследствие острого нарушения венечного кровообращения.

Актуальность и востребованность изучения данной темы состоит в том, что при неправильной постановке диагноза или неправильно подобранном лечении, стенокардия может перейти в острый инфаркт миокарда, а в последствие закончиться летальным исходом.

Для того чтобы с помощью нейронной сети можно было отнести пациента к группе больных с определенным диагнозом, необходимо провести ее обучение. Обучение будет проводиться по таблице с пациентами, для которых заранее известен диагноз заболевания. Имеется 60 историй болезней пациентов БУЗ ВО ВГКБСМП №10 (БСМП «Электроника»), на основе которых будет построена нейронная сеть для диагностики стенокардии.

Занесем в таблицу Excel признаки, которые используются в постановке диагноза. Таблица имеет вид, который изображен на рис. 1.

Рис. 1. Исходные данные в Excel

173

В данной таблице столбцы: ЧСС – значение частоты сердечных сокращений; АД (с) - значение систолического давления; АД (д) - значение диастолического давления; продолжительность приступа – указывается в минутах; выраженность боли(1-3) – слабая,средняя,сильная, зависимость от физической нагрузки – 0 = нет, 1=да, купируется нитроглицерином – 0 = нет, 1 = да; лейкоциты – указываются в * ; гемоглобин – указывается в г/л ; глюкоза – указывается в ммоль/л; АсАт – указывается в Е/л; АлАт – указывается в Е/л; холестерин общий – указывается в ммоль/л; Мв-кфк (Креатинкиназа) – указывается в Е/л; ПТИ (протромбиновый индекс) – указывается в процентах; МНО (международное нормализованное отношение); АЧТВ (активированное частичное тромбопластиновое время) – указывается в секундах, фибриноген – указывается в г/л. Последние два столбца используются для диагноза, например, если в столбце “стабильная” у некоторого пациента цифра 1, а в столбце “нестабильная” – 0, то у данного пациента стабильная стенокардия и наоборот.

Далее с помощью программы Deductor Studio v5.0 произвели импорт данной Excel таблицы, выбраны входные и выходные данные, а также задано обучающее множество. После этого задали структуру нейросети: зададим активационную функцию: сигмоида с крутизной 0.5, количество скрытых слоев 3, количество нейронов в скрытом слое: 10. Процесс задания структуры нейросети представлен на рис. 2.

Рис. 2. Задание структуры нейросети в Deductor Studio v5.0

174

После завершения обучения нейросети можно увидеть граф нейросети

(рис. 3).

Рис. 3. Граф нейросети в Deductor Studio

Далее произвели проверку полученной нейронной сети с помощью контрольной выборки, состоящей из 10 пациентов. Для этого необходимо воспользоваться функцией “что-если”. Пример использования “что-если” изображен на рис. 4.

Рис. 4. Тестирование контрольной выборки с помощью “что-если”

После внесения данных нейросеть установила, что у пациента нестабильная стенокардия. После проверки всей контрольной выборки можно

175

отметить, что нейросеть правильно определила диагноз в 9 из 10 случаев. Таким образом, можно сделать вывод, что достоверность постановки диагноза составила 90%.

Также была создана нейросеть в программе NeuroPro 0.25. Были выбраны входные и выходные данные, а также задана структура нейронной сети: многослойная нейронную сеть с одним скрытым слоем, который состоит из 10 нейронов. Далее было произведено обучение, а также упрощение нейронной сети. В результате после всех сокращений число нейронов было уменьшено в два раза, количество синапсов было удалено более чем в два раза, а количество входов осталось неизменным. Выполним тестирование полученной нейронной сети (рис. 5).

Рис. 5. Тестирование в NeuroPro

Максимальная ошибка = 0,009, а процент правильно распознанных случаев составил 100%. Для того чтобы проверить контрольную выборку, были получены формулы.

Конечный синдром имеет следующий вид: Y=-0,105683*Синдром1_1-0,5328704*Синдром1_2+ 0,3884036*Синдром1_3+

+0,5240664*Синдром1_4- 0,3655416*Синдром1_5-0,04112647*Синдром1_6+ +0,0424706*Синдром1_7+0,05067104*Синдром1_8+0,2460426*Синдром1_9+ +0,4026929*Синдром1_10-0,02364977

Далее проводится его постобработка: Y=((Y*1)+1)/2)

176

По значению ячейки постобработанного конечного синдрома можно определить диагноз пациента. Если значение принадлежит диапазону (0,5 – 1,49), то у пациента диагноз стабильная стенокардия, если значение принадлежит диапазону(-0.5 - +0,49),то у пациента нестабильная стенокардия. Достоверность постановки диагноза полученной нейронной сети составила 90%. Таким образом, можно отметить, что нейронная сеть справляется с поставленной задачей.

Литература

1.Коровин Е.Н., Сергеева М.А., Стародубцева Л.В. Методы обработки биомедицинской информации. Курск, 2017. 152 с.

2.Информация и принципы управления в биомедицинских системах / Е.Н. Коровин, О.В. Родионов, Л.В. Стародубцева, В.Н. Коровин. Курск, 2017. 120 с.

3.Фадеев П.А. Стенокардия // Мир и образование. 2013.

4.Моисеев В.С., Моисеев В.С. Болезни Сердца // Универсум. 2001. 472 с.

5.Карпов Ю.А., Соровин Е.В. Стабильная ишемическая болезнь сердца. Стратегия и тактика лечения» / Ю.А. Карпов, Е.В. Сорокин – Медицинское информационное агентство, 2012 – 270 с.

6.Волков В.С. Фармакотерапия и стандарты лечения заболеваний сердечно-сосудистой системы // Медицинское информационное агентство. 2010. 362 с.

7.Коровин Е.Н., Коровин В.Н., Левенков К.О. Разработка информационно-программного обеспечения подсистемы диагностики и выбора тактики лечения хронического пиелонефрита // Интеллектуальные информационные системы: тр. всеросс. конф. Воронеж: ВГТУ. 2016. С. 175178.

8.Коровин Е.Н., Коровин В.Н., Лущик М.В., Левенков К.О. Разработка нейронной сети для постановки диагноза «Хронический пиелонефрит» // Системный анализ и управление в биомедицинских системах Воронеж: ВГТУ. 2015, Т. 14. № 3. С. 585-587.

9.Моделирование выбора заместительной почечной терапии на основе методов нейросетевого и статистического анализов / А.А. Ефимов, Е.Н. Коровин, Е.А. Назаренко, В.А. Синозерская // Системный анализ и управление

вбиомедицинских системах. 2008. Т. 7. № 4. С. 859-864.

Воронежский государственный технический университет

177

УДК 681.3

Е.И. Новикова, М.В. Цукарева

РАЗРАБОТКА МОДЕЛЕЙ ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ ПРИ ДИАГНОСТИКЕ САХАРНОГО ДИАБЕТА

В данной статье рассматривается классификация пациентов по типу сахарного диабета на основе классификационных признаков, а также разработка моделей для поддержи принятия решения с помощью дискриминантного анализа

Ключевые слова: сахарный диабет, классификация, кластерный анализ, дискриминантный анализ, классификационные признаки, математические модели

Современная медицина насчитывает огромное множество эндокринных болезней, одной из которых является сахарный диабет. Ежегодно количество впервые выявленных случаев сахарного диабета 1 и 2 типов составляет примерно 5 – 7 % по отношению к общему числу пациентов, вследствие чего происходит удвоение больных каждые 10 – 12 лет. Чаще всего у людей, страдающих сахарным диабетом, выявляется самая ранняя степень инвалидизации, а также повышенная степень смертности.

Были изучены признаки, проявляющиеся у пациентов в процессе развития заболевания, а затем произведено нормирование данных, в результате представляющих собой сформированную матрицу, включающую в себя информацию о 66 пациентах эндокринологического отделения БУЗ ВО ВГКБСМП №10 (БСМП «Электроника»). Из общего количества пациентов 32 пациентам был поставлен диагноз сахарный диабет первого типа, а 34 пациентам – сахарный диабет второго типа. Среди больных сахарным диабетом встречаются люди разных возрастных групп, с разной степенью выраженности типичных для заболевания симптомов, различными показателями при диагностических исследованиях.

Для формирования наиболее точной и достоверной таблицы классификационных признаков было использовано экспертное оценивание.

Для группирования пациентов по типу сахарного диабета использовался кластерный анализ. Разбиение на кластеры проводилось по 66 пациентам с сахарным диабетом 1 или 2 типов.

Результатом проведенного кластерного анализа является денрограмма, представленная на рисунке. В качестве правила объединения был выбран метод

178

Уарда, который относится к иерархическим методам кластерного анализа. В качестве меры близости было выбрано Евклидово расстояние.

Анализируя полученные результаты, можно сделать вывод, что произошло группирование элементов на два кластера. Как и предполагалось, пациенты эндокринологического отделения разделились на две группы: сахарный диабет 1 типа – первый кластер и сахарный диабет второго типа – второй кластер. Как можно заметить, пациент №104 был соотнесен в не соответствующий ему кластер, из чего можно сделать вывод, что группирование пациентов с помощью кластерного анализа произошло с ошибками. Ошибка разбиения для кластеров составила 1,52 %.

Результат кластерного анализа

По результатам классификации был проведен дискриминантный анализ (табл.1). Полученная ранее матрица была разделена на тестируемую и обучающую выборку. В данном случае под обучающей выборкой понимается некоторое количество пациентов с известными симптомами заболевания и результатами диагностических исследований, соответствующих определенному типу сахарного диабета. Тестируемая выборка была создана посредством вынесения 10 пациентов (по 5 из каждой группы) в отдельную таблицу. Таким образом, в обучающую выборку - таблицу, которая использовалась для проведения дискриминантного анализа, было занесено 56 пациентов: 27 человек, страдающих сахарным диабетом второго типа, и 29 человек – сахарным диабетом второго типа соответственно.

Для проверки статической значимости использовалось понятие остаточ-

179

ной дискриминантной способности, то есть лямбда Уилкса, которая, как видно из таблицы, стремится к 0, что подтверждает значимость представленных признаков заболевания сахарного диабета.

Результат дискриминантного анализа (переменных в модели: 12; группировка: заболевание (2 группы), Лямбда Уилкса 0.069555)

В результате проведенного анализа были получены математические модели дискриминантных функций классификации для групп «СД 1 типа» и «СД 2 типа», представленные формулами:

где Y1 – СД 1 типа, Y2 – СД 2 типа, Х1 – возраст после 40 лет, Х2 – полиурия, Х3 – полидипсия, Х4 – повышенный билирубин, Х5 – ГТТ выше нормы, Х6 –

180