4.1 Структурно-функциональная организация интеллектуальной системы для прогнозирования сердечно-сосудистого риска

Процесс прогнозирования медицинского риска включает в себя ряд действий, упорядочивание и автоматизация которых приводит к формированию целостной интеллектуальной системы.

Интеллектуальная система для прогнозирования сердечно-сосудистых рисков (ИСПССР) включает в себя программно-аппаратный комплекс (ПАК) для исследования системных ритмов, элементы которого описаны во втором и третьем разделах, ПЭВМ, блок тестирования функционального состояния ССС, а также программные модули классификации сердечно-сосудистого риска (ПМ КССР).

ПМ КССР включает модуль формирования информативных признаков (МФИП), базу знаний, в которую входят база данных обучающих выборок и база данных нейросетевых классификаторов, модули формирования и обучения классификаторов и модуль текущего классификатора.

В ИСПССР предусмотрены три режима работы: классификация, накопление данных, накопление знаний.

На рисунке 4.1 изображена структурная схема ИСПССР.

За основу построения ИСПССР взяты мультиагентные системы интеллектуальной поддержки принятия решений [72, 99].

Рисунок 4.1 - Структурная схема интеллектуальной системы для

прогнозирования сердечно-сосудистого риска

Для решения задачи прогнозирования ССР необходимо создать некоторое множество интеллектуальных агентов (ИА) и организовать между ними структурное эффективное взаимодействие таким образом, чтобы единую мультиагентную систему. Физически мультиагентная интеллектуальная система - это программно-аппаратный комплекс с модулями сбора и обработки данных, организованных по определенному принципу распределения доступности данных в иерархии принятия решений [63].

Под мультиагентной системой ИА будем понимать множество автономных ИА нижнего уровня, объединенное посредством одного или нескольких ИА верхнего иерархического уровня посредством настраиваемых связей, каждой из которых присваивается определенный вес.

Под воздействием внешних факторов (процесса обучения или экспертного оценивания), веса в системе приобретают оптимальные значения, то есть система самоорганизуется. Процесс самоорганизанизации может привести к полному исключению из структуры системы интеллектуальных агентов любого уровня или к модификации пространства информативных признаков на входе ИА. Тем не менее, для построения такой системы необходима базовая структура.

Для построения базовой структуры мультиагентной интеллектуальной системы (МАИС) будем использовать ИА нижнего уровня, способные формировать предикторы риска ССЗ.

Все ИА нижнего уровня разделим на четыре группы. В первую группу включаем те ИА, которые используют хорошо апробированные факторы риска ССЗ.

Факторы риска ССЗ неоднозначны для различных регионов и для различных групп населения. Очень большое влияние на риск оказывает комбинированное влияние факторов. Анализ факторов риска ССЗ показывает, что факторами риска могут быть не только определенные биомедицинские и конституционные показатели, но и уже имеющиеся заболевания или синдромы. В

таблице 4.1 приведен один из способов ранжирования факторов риска, которые включены в базу данных ИСПССР [24,34,36].

Таблица 4.1 -Релевантность факторов риска по ССЗ

Во вторую группу включаем ИА, которые формируют предикторы на основе анализа показателей синхронности системных ритмов, методы определения которых рассмотрены в разделах 2 и 3. В третью группу включаем агенты, которые диагностируют сопутствующие заболевания и синдромы [45].

В принципе, базовая структура не ограничивает число ИА в группах на нижнем уровне. Однако это число ограничивается, как базой данных обучающих и контрольных выборок, так и возможностями базы знаний, привлекаемой для формирования ИА всех уровней. МАИС перестраивает связи ИА в зависимости от доступности тех предикторов или тех информативных признаков, получаемых при исследовании конкретного образца, без переобучения ИА.

ИА формируются на основе обучаемых классификаторов, построенных на основе многослойных нейронных сетей прямого распространения, или гибридных технологий [62, 63, 68]. В выходном слое гибридного решающего модуля используется нечеткая нейронная сеть или однослойная нейронная сеть прямого распространения с линейной функцией активации [68].

При прогнозировании ССЗ сопутствующие заболевания или синдромы могут быть уже установленным фактом, или нуждаться в диагностике. Отсюда

следует, что ИСПССР должна содержать элементы как диагностических, так и прогностических моделей. При этом необходимо отметить, что факторы риска диагностируемых заболеваний или синдромов являются также факторами риска прогнозируемого заболевания. Таким образом, в зависимости от того, был ли поставлен диагноз по фактору риска, структура многоагентной системы должна перестраиваться. Этот принцип иллюстрирует рисунок 4.2, на котором показана прогностическая модель, в состав которой входят как модули прогнозирования, так и модули диагностики.

Рисунок 4.2 - Структура прогностической модели, в состав которой входят как

модули прогнозирования, так и модули диагностики

Алгоритм работы ИСПССР представлен на рисунке 4.3.

115

Рисунок 4.3 - Алгоритм работы ИСПССР

В режиме классификация лицо принимающее решение (ЛПР) извлекает из базы классификаторов классификатор, ориентируемый на заданный ССР.

Во втором режиме ИСПССР позволяет ЛПР формировать базу данных для классификаторов определенных ССР. С этой целью ЛПР имеет возможность в базе данных формировать обучающие выборки для классификатора заданного СС риска. Параллельно проводятся исследования показателей синхронности системных ритмов соответствующих кардиосигналов посредством ПАК, в результате чего МФИП формирует векторы информативных признаков, который (которые) записываются в базу данных обучающих выборок в виде ТЭД класс- признак. В блоке 10 рисунка 4.3 имеется возможность определить функциональное состояние ССС известными методами, что позволяет создать обучаемые классификаторы в третьем режиме.

В третьем режиме ЛПР может формировать классификаторы различной конфигурации. Например, если классификатор выполнен в виде нейронной сети, то ЛПР задает структуру нейронной сети, а затем выполняет ее обучение посредством формирования из базы данных, созданных во втором режиме, обучающих и контрольных выборок. Кроме того в этом режиме ЛПР может агрегировать классификаторы используя множество системных ритмов или различные признаковые пространства.

Схема реализации режимов ИСПССР представлена на рисунке 4.4.

В БД

Рисунок 4.4 - Схема реализации режима ПССР

Она показывает, что результатом выполнения первого режима является отнесение пациента к классу ССР по заданному СС риску, для второго режима - ТЭД для заданного медицинского риска, для третьего режима - сформированный классификатор для заданного СС риска.

4.2