Материалы всероссийской научно-технической конференции Автоматизир

ОБЗОР ПОДХОДОВ ДЛЯ АНАЛИЗА И ВЫРАБОТКИ ПРЕДЛОЖЕНИЙ ПРИ ОРГАНИЗАЦИИ УПРАВЛЕНИЯ ПРОЦЕССОМ ОКАЗАНИЯ МЕДИЦИНСКОЙ ПОМОЩИ В ЗДРАВООХРАНЕНИИ

Студентка гр. АСУ3-14-1 м М.А. Плотникова

Научный руководитель - д-р экон. наук, профессор Р.А. Файзрахманов

Пермский национальный исследовательский политехнический университет

Развитие медицинской техники и технологии приводит к интен­ сификации работы сотрудника медицинского учреждения, специали­ сты сталкиваются с проблемой обработки, анализа и учета больших объемов данных, что, несомненно, влияет на качество оказания ме­ дицинских услуг. Например, специалисты Бостонской клиники Brigham and Women’s Hospital рассказывают о том, насколько огром­ ны данные в сфере здравоохранения: сегодня в мире насчитывается более 10 тыс. заболеваний, свыше 3 тыс. лекарственных препаратов, 300 различных радиологических процедур и 1 тыс. лабораторных исследований [1]. Поэтому принятие правильных управленческих решений может поднять качество медицинской помощи. Задача обеспечения медицинских учреждений системами поддержки приня­ тия решений (СППР) остается актуальной.

В сфере здравоохранения можно выделить несколько задач, для решения которых можно использовать системы поддержки принятия решений [2]:

-управление различными составляющими элементами ЛПУ (лаборатории, коечный фонд, расходные материалы и т.д.);

-помощь в диагностике заболеваний;

-помощь в выборе методов лечения на основе накопленной статистики и экспертных знаний;

-снижение рисков, связанных с медикаментозным лечением. Система здравоохранения - слабоструктурированная система,

так как в ней содержится множество взаимосвязанных факторов и отсутствует достаточное число количественной информации. Рас­ смотрим методы, которые чаще всего используются для анализа и выработки предложений в СППР слабоструктурированных систем:

- интеллектуальный анализ данных - обнаружение в сырых дан­ ных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретаций знаний, необходимых для принятия ре­ шений в различных сферах человеческой деятельности [3];

- когнитивный анализ данных - его особенность в том, что при когнитивном анализе данных в процесс построения обоснованных аналитических выводов вовлекается человек с учетом его психо­ физиологических возможностей [3].

Целью данной статьи является оценка применимости подходов для повышения качества медицинской помощи, которые используют­ ся в данных методах.

• Модель «Дерево решений» - способ математического модели­ рования, используется в интеллектуальном анализе данных. При ис­ пользовании данного метода процесс оказания медицинской помощи представляется в виде диаграммы, которая иллюстрирует вероят­ ность каждого из исходов лечения, а также его стоимости примени­ тельно к конкретной ситуации. При подходе способом «Дерево ре­ шений» не учитывается временной фактор [4]. Чаще всего метод применяется при фармакоэкономическом исследовании, которое рас­ сматривает альтернативные схемы лечения заболеваний и выводит соотношения между затратами и эффективностью, безопасностью, качеством жизни. В результате рассчитываются затраты для дости­ жения желаемой эффективности.

На рис. 1 представлен пример, иллюстрирующий применение метода. Рассматривается лечение болезни с помощью методики А и методики Б, затраты на лечение которыми составляют 2 тыс. руб­ лей и 1,5 тыс. рублей соответственно, а затраты в случае неудачного лечения - 2 тыс. рублей, так как при неэффективности методики пациенту понадобится дополнительное лечение (см. рис. 1). Стои­ мость лечения по методике Б дешевле на 500 рублей, но вероят­ ность успеха меньше. Для методики А вероятность успеха 90 %, а для методики Б - 50 %. Для лечения методикой А затраты соста­ вят 0,9-2000 + 0,1(2000 + 2000) = 2200 рублей. Для лечения методи­ кой Б затраты составят 0,5-1500 + 0,5(1500 + 2000) = 2500 рублей. Таким образом, методика А, несмотря на большую стоимость, пред­ ставляет собой менее дорогостоящий выбор, т.е. является более фармакоэкономичной.

Рис. 1. Диаграмма метода «Дерево решений»

• Модель Маркова - математическая модель, используется в ин­ теллектуальном анализе данных, которая позволяет определить исход заболевания и особенности течения заболевания. Модель строится из состояний и вероятностей перехода из одного состояния в другое в течение данного временного интервала. Модель использует такой параметр, как время, поэтому она часто применяется при изучении хронических заболеваний.

В модели исследуется когорта пациентов, которая находится в некотором начальном состоянии. Интервал исследования делится на равные промежутки, которые называются циклом Маркова.

На рис. 2 и в табл. 1 представлена модель Маркова, которая со­ стоит из трех состояний - «здоровье», «болезнь» и «смерть».

Рис. 2. Пример модели Маркова [4]

Марковский цикл составляет 1 год и исследуется когорта из 100 человек, временной горизонт - 15 лет. Сумма вероятностей перехо­ дов из одного состояния в другое всегда равна 1 (см. рис. 2).

• Когнитивная карта - ключевое понятие когнитивного анали­ за данных, когнитивного моделирования. Представляет собой взве­ шенный ориентированный граф, в котором вершины взаимоодно­ значно соответствуют факторам, в терминах которых описывается предметная область, а дуги отображают непосредственные связи (взаимовлияния) между факторами [5].

Когнитивный подход позволяет увидеть и понять логику разви­ тия событий при большом количестве взаимосвязанных факторов. Этапы когнитивного анализа: выделение значимых факторов, по­ строение матрицы взаимовлияний полученных факторов, определе­ ние начальных тенденций изменения факторов. Разделив факторы на «управляющие» и «наблюдаемые», можно ответить на такие вопро­ сы, как: «Что будет, если сохранятся текущие тенденции изменения факторов?», «Что будет, если приложить определенные управляющие воздействия?», «Какие управляющие воздействия применить, чтобы получить желаемый результат?» и др. Круг решаемых задач при по­ мощи анализа когнитивной карты достаточно широк. В здравоохра­ нении при помощи когнитивной карты могут решаться следующие задачи:

- классификация - постановка диагноза, выявление по состоя­ нию пациента возможности осложнения при операции;

-кластеризация - выделение групп «похожих» пациентов для определения воздействия на них новых методов лечения;

-цензурирование - обнаружение пациентов с не характерной для данного диагноза картиной заболевания;

-прогнозирование - из набора диагностических процедур часть может оказаться избыточной [3] и др.

Пример когнитивной карты представлен на рис. 3.

Рис. 3. Пример когнитивной карты

4. Нейронные сети - одно из направлений исследований в облас­ ти искусственного интеллекта, пытается воспроизвести нервную сис­ тему человека, а именно способность обучаться и исправлять ошиб­ ки, что должно привести к моделированию работы человеческого мозга.

В процессе обучения база данных модифицируется в базу зна­ ний, так как нейронная сеть приобретает «опыт» решения медицин­ ских задач. Наличие опыта предусматривает возможность правильно­ го решения даже в том случае, если подобная ситуация никогда ранее не встречалась, т.е. прослеживается аналогия с работой врача: опыт­ ный интерн поставит диагноз, даже если у пациента имеется иска­ женная картина симптоматики заболевания [6].

Нейронные сети позволяют повысить качество оказания меди­ цинской помощи путем прогнозирования, диагностики и выбора ме­ тода лечения заболевания.

Выполним оценку рассмотренных методов, используя метод анализа иерархий, предложенный Т.Л. Саати. Построим вспомога­ тельную таблицу (табл. 2), которая содержит в себе сравнительную характеристику рассмотренных методов. Результаты анализа мето­ дом иерархий представим в табл. 3.

Сравнительная характеристика

Таблица 3

Результаты анализа методом иерархий

Опираясь на полученные результаты, можно резюмировать об отсутствии полноценного лидера среди рассмотренных методов. В приоритете группа методов интеллектуального анализа данных. Исходя из этого, решающим фактором при выборе метода является специфика конкретной задачи. Например, для задач классификации и кластеризации более подходящим методом будут методы когни­ тивного анализа данных, а для задач прогнозирования - методы ин­ теллектуального анализа данных.

Библиографический список

1. Разработка интеллектуальной системы поддержки принятия решений для оказания персонифицированной медицинской помощи пациентам на основе онтологий и компьютерных средств представ-

ления знаний / К.В. Быченков, Е.А. Гриценко, Д.М. Мартышкин, О.Л. Сурнин, Т.В. Тяпухина // Проблемы управления и моделирова­ ния в сложных системах: тр. XIII Междунар. конф. / Самарский НЦ РАН.-Самара, 2011.

2.Лялин П.А., Петухов М.Н., Чучкин В.И. Системы поддержки принятия решений в медицине // Научная сессия МИФИ-2008. -

Т.13.-М ., 2008.

3.Методы исследования операция и когнитивного анализа дан­ ных в решении задач лечебно-профилактических учреждений /

В.В.Дюбанов, А.С. Руднев, Е.Н. Павловский, Ю.В. Зозуля, А.С. Самочернова, Д.С. Сандер // Патология кровообращения и кардиохи­ рургия. - 2011. - С. 77-82.

4.Куликов А.Ю., Нгуен Т.Т., Тихомирова А.В. Методология моделирования в фармакоэкономике // Фармакоэкономика. Совре­

менная фармакоэкономика и фармакоэпидемиология. - 2011. -

№4 .-С . 8-16.

5.Заболотский М.А., Полякова И.А., Тихонин А.В. Когнитивное моделирование - уникальный инструмент для анализа и управления сложными системами (регион, отрасль промышленности, крупное предприятие) // Успехи современного естествознания. - 2005. - № 2.

6.Практическое применение нейронной сети (нейроинформационных технологий) в кардиологической практике / Ф.В. Данилин, Н.В. Ястребова, В.А. Корнякова, Н.И. Федорова, Г.А. Емельянова, Н.Г. Панин, П.Ф. Минаев, Ю.Л. Крюков. - Самара, 2011.

7.Саати Т.Л. Принятие решений. Метод анализа иерархий. - М.: Радио и связь, 1993. - 278 с.

Рис. 3. Автоматная модель

Выражение на языке ЛСА можно представить следующим образом:

L = { Н, А, Р, со, Т, i,K } ,

где Н - оператор начала алгоритма; К - оператор конца алгоритма; Р - условный переход; А - управляющее воздействие; со - безуслов­ ный переход; t - начало перехода; J, - окончание перехода.

Пример логической схемы алгоритма представлен на рис. 4.

Hi До Pit1 Р’ Т2 РзТ3 <*V I2 Ai Р4 1 Pit5 РбТ6 озТр I3 Аг РтТ1Pet7 P9t8 « t9 l4 Аз Plot1

Put10 o»t11 l5 -А» P12t Jo>t7 l6 As cot1Iе A6 Put1И 7 l 9 A7 cot1 l 11 As cot1 l 10 A9 cot1 i7 Ao.o

Pnt1Put12 cot13 l 13 A0.1 cot14 l 12 A0.2 cotH i 14 Ao.k Put1Pnt9 cot6 l 1Ki

Рис. 4. Логическая схема алгоритма

Логическая схема начинается с оператора начала алгоритма (Н), а заканчивается с конца алгоритма (К). После для каждого оператора Aj записаны база условий (PjPj...Pk) и оператор безусловного перехода со. Например, для оператора А\ записана следующая база условий и опе­ ратор безусловного перехода со: Ао P it1Р2 Т2РзТ3 ©t4 12Аь В этом слу­ чае может произойти переход от Ао по условию P it1к сцене отмечен­ ной переход от Ао по условию Р2Т2 к сцене, отмеченной J,2 (т.е. к оператору АО, переход от А0 по условию Р3Т3 к сцене, отмечен­ ной J,3 (т.е. к оператору А2), переход от Ао к сцене, отмеченной J4 (т.е. к оператору А3), если ни одно из условий Рь Р2, Р3 не выполняется.

Операционная модель. Автоматная модель реализует сценарий деловой игры и посылает команду операционной модели. Операционная модель получает команду от автоматной модели и в зависимости от этой