- •Характеристики эс, основные задачи, решаемые этими программами. Архитектура, примеры.
- •Оценка стандартных интервалов нормально распределённой случайной величины доверительными интервалами выборки. Так-то лекции и Морозов, но…
- •Выбор оптимальной дозы лечебного воздействия. Прогнозирование состояния больного на основе его модели состояния. Коррекция лечения.
- •1. Определение медицинской информатики, как прикладной науки. Задачи, решаемые методами медицинской информатики.
Выбор оптимальной дозы лечебного воздействия. Прогнозирование состояния больного на основе его модели состояния. Коррекция лечения.
1. Постановка задачи. Формулируется перечень заболеваний (син¬дромов, состояний), которые необходимо распознавать с помо¬щью разрабатываемого правила. При этом необходимо учитывать, что все объекты (пациенты) должны описываться определенным набором параметров, с помощью которых предположительно мож¬но будет распознать эти объекты. Формируется их перечень. Созда¬ется формализованная карта параметров с их градациями. Проду¬мывается система (шкала) кодирования градаций параметров.
2. Формирование обучающей выборки. Чтобы приступить к реше¬нию задачи дифференциальной диагностики, нужно иметь неко¬торое множество реальных историй болезни с известными вери¬фицированными диагнозами, которые и будет распознавать пост¬роенное в будущем решающее правило. Такое множество необхо¬димо для анализа материала с целью определения статистически «типичной» картины для каждого рассматриваемого заболевания (состояния, синдрома) — образа заболевания.
Однако важно понимать, что в обучающую выборку должны войти все пациенты за определенный (обычно несколько лет) период работы клиники или случайно отобранные больные, со¬ответствующие сформулированным критериям отбора. Неслучай¬ный отбор пациентов может привести к разработке узконаправ¬ленного правила.
Необходимо отметить, что сформировать обучающую выборку можно как на ретроспективном материале (по историям болез¬ни), так и в проспективном исследовании. Чрезвычайно важны полнота собираемого клинического материала и его объем при минимальном числе пропущенных значений используемых пара¬метров.
Формализованные карты всех пациентов, входящих в обуча¬ющую выборку, заносятся в массив (например, в таблицу MS Excel), который впоследствии и будет обрабатываться для получения диа¬гностического алгоритма.
3. Исследование параметров на информативность и минимизация их количества. Подходов к исследованию параметров на информа¬тивность при дифференциальной диагностике и решении задач прогнозирования достаточно много. Это и подсчет частот, и при¬менение методов параметрической и непараметрической стати¬стики для исследования различий средних значений выборок, точ¬ного метода Фишера, метода Байеса (например, для оценки ди¬агностической информативности совокупности отобранных пара¬метров) и др.
Важно, что в результате такого исследования в рассмотрении остаются наиболее информативные параметры, число которых существенно сокращается, причем без ущерба для конечной цели — распознавания дифференцируемых состояний. Наоборот, повы¬шение качества распознавания происходит при отборе наиболее информативных параметров, так как при этом отсеиваются пара¬метры, создающие так называемый «шум», т.е. не имеющие диф¬ференциально-диагностической ценности.
Для минимизации количества параметров можно (и часто нуж¬но) использовать математические методы, например корреляци¬онный анализ. Если имеет место сильная корреляция, то один из пары параметров следует убрать из набора. В этом случае необхо¬димо рассматривать как клинические аргументы, так и аргументыс позиции здравого смысла (например, какой из параметров труд¬нее и дороже измерять, тот из пары и следует исключить).
4. Получение решающего правила и его оценка. Для получения диагностического алгоритма часто используют принципы класте¬ризации, методы множественного статистического анализа: дискри¬минантный, регрессионный, нейросетевой и др. В настоящее вре¬мя для этого в большинстве случаев используют известные стати¬стические пакеты: 5/15, SPSS, Statistica и др.
Два принципиально различных подхода к распознаванию — вероятностный (стохастический) и детерминистский — выдают решение в различной форме. При вероятностном подходе ответ сопровождается оценкой (обычно в процентах), указывающей на возможность того или иного диагноза (прогноза). При детермини¬стском однозначно указывается один из возможных вариантов ответа.
Критериев качества распознавания несколько. Одним из них является процент правильных отнесений (или наоборот — число ошибок распознавания) на обучающей выборке. Принято оцени¬вать чувствительность диагностического алгоритма и его специ¬фичность.
Чувствительность — доля пациентов с диагностированным за¬болеванием среди всех пациентов с данным заболеванием в обу¬чающей выборке, т.е. отношение числа истинно положительных результатов к числу случаев с наличием заболевания.
Специфичность — это доля пациентов с ^диагностирован¬ным заболеванием среди пациентов без данного заболевания в обучающей выборке, т.е. отношение числа истинно отрицатель¬ных результатов к общему числу случаев с отсутствием заболева¬ния.
Одним из способов оценки качества полученного диагности¬ческого алгоритма является проведение скользящего экзамена. Суть его заключается в том, что данные каждого пациента по очереди исключаются из обучающей выборки, процедура классификации повторяется без него, а затем данные исключенного пациента подставляются в полученное правило и оценивается правильность диагностики.
Достаточно распространенным подходом к оценке полученно¬го диагностического алгоритма остается его проверка на конт¬рольной (экзаменационной) выборке ретроспективных данных и в опытной эксплуатации в проспективном исследовании. Этапы распознавания можно представить следующим образом:1) предварительный анализ данных и минимизация простран¬ства параметров;2) классификация на обучающий выборке;3)контроль результатов классификации на экзаменационной выборке.
Билет № 17