Тестирование подсистемы оценки риска наступления осложнений при артериальной гипертензии

Полученные гибридные решающие модули подвергались экспериментальной проверке. Для этого были сформированы три экспериментальные группы. В первую и вторую группу были включены больные, находившиеся на лечении в стационаре Областного бюджетного учреждения здравоохранения Курской городской клинической больницы скорой медицинской помощи г.

Всего в начале 2013 года было обследовано 200 пациентов по 50 человек в первой и второй группе и 100 человек в третьей группе. Из 100 человек втретей группе «донаблюдалось» к 2016 году 50 человек.

После этого ежегодно в ходе проводимых обследований определялись пациенты «попавшие» в классы ω , ω . Пациенты с другими заболеваниями относились к классу ω ₀.

В ходе анализа заболеваемости ежегодно строились гистограммы распределения пар классовна осях риска UBи UP,графики

которых приведены на рисунках 4.13, 4.14.

На основании рекомендаций [19, 36] по каждой из гистограмм был определен порог срабатывания прогностических решающих правил

Рисунок 4.13- Гистограмма распределения классов ω₀и ω_βpпо величине UB через год после начала наблюдений

Рисунок 4.14- Гистограмма распределения классов ω₀и 0)_ро по величине UP через год после начала наблюдений

Относительно этих порогов были получены количества правильных и ложных срабатываний решающих правил, по которым рассчитывались диагностическая чувствительность (ДЧ), диагностическая специфичность (ДС) и диагностическая эффективность (ДЭ)[59].

Для формирования решающих модулей использовался Matlab 8.0 с графическим интерфейсом пользователя для NeuralNetworkToolbox и со встроенным пакетом FuzzyLogic Toolbox, в котором было построено окно редактора гибридного решающего модуля. Графический интерфейс указанного окна редактора представлен на рисунке 4.15.

Рисунок0.15 -Окно редактора гибридного решающего модуля

Основными функциональными возможностями данного окна являются:

- создание нового гибридного решающего модуля;

- вызовже разработанного гибридного решающего модуля из внешнего файла;

- добавление входной и выходной переменных в редактируемыйгибридного решающего модуляи их удаление;

- способы настройки нечетких операций: способ - “И”, способ - “ИЛИ”, способ вывода заключения, способ агрегирования и способ дефаззификации;

- сохранение редактируемой системы нечеткого вывода во внешнем файле.

Для редактирования функций принадлежности с предиктором риска в качестве базовой переменной используется интерфейсное окно, представленное на рисунке 4.16.

Окно редактора функций принадлежности позволяет пользователю анализировать и модифицировать все функции принадлежности, используемые решающим модулем.

Рисунок 0.16 -Окно редактора функций принадлежности

Окно редактора правил нечеткого вывода,предназначенное для построения базы решающих правил гибридного решающего модуля, представлено на рисунке 4.17.

Рисунок0.17 -Окно редактора правил нечеткого вывода

В данном окне можно добавлять решающие правила, удалять решающие правила или редактировать уже имеющиеся решающие правила.

Окно Решениепредназначено для получения значения выходных переменных в зависимости от исходных значений входных переменных.

Графический интерфейс указанного окна представлен на рисунке 4.18.

Рисунок0.18 -ОкноРешение

Окно решения гибридного решающего модуля позволяет осуществлять ввод конкретных значений входных переменных или вызывать внешние файлы данных с этими переменными. Также в окне отображаются графики комплексированных функций принадлежности, графики, отображающие агрегирование по Заде-Шортлиффу, результаты дефаззификации.

В таблице 4.1 представлены показатели качества классификации риска АГ, полученные посредством разработанного гибридного решающего модуля, за три года наблюденийпри учете подпространства информативных признаков, сформированного по результатам анализа энергетических характеристик БАТ (ЭХБАТ).

Таблица 4.1 - Распределение показателей качества принятия решений по годам наблюдений (прогнозирование АГ с учетом ЭХБАТ)

Для сравнения полученных показателей с известными методами в последнем столбце таблицы 4.1 приведены показатели качества прогнозирования системы ASCORE за 2016 год.

В таблице 4.2 представлены результаты, полученные на тех же контрольных выборках, без учета подпространства информативных признаков, полученного по результатам анализа БАТ.

Таблица 4.2 - Распределение показателей качества принятия решений по годам наблюдений (прогнозирование АГ без учета ЭХБАТ)

Для наглядности представления данных полученные результаты по показателям качества прогнозирования из таблиц 4.1 и 4.2 по классу ω_βp представлены в виде диаграммы на рисунке 4.19.

На диаграмме рисунок 4.19а представлены показатели качества прогнозирования с учетом подпространства информативных признаков, полученного по результатам биоимпедансных исследований, а на диаграмме4.19б - без учета этих результатов.

В ходе экспериментального оценивания и в результате математического моделирования было показано, что при использовании всех информативных признаков уверенность в правильном прогнозе по обоим исследуемым классам превышает величину 0,8 в третий год наблюдения. Показатели качества прогнозирования на третий год наблюдения выше, чем у известной системы прогнозирования ССО ASCORE, в среднем, на 14%.

Рисунок 4.19 - Показатели качества прогнозирования АГ по годам наблюдений

Анализ показателей качества прогнозирования позволяет сделать вывод о целесообразности практического использования полученных моделей, что связано с использованием большого объема информации.

При недостатке информации (скрининге) методика ASCORE показывает приемлемые результаты, но при достаточно глубоком обследовании пациента (стандартном обследовании в стационаре) целесообразно использовать предлагаемые гибридные решающие модули оценки риска наступления осложнений АГ. Как видно из приведенных данных, результаты контрольных испытаний имеют достаточные величины для рекомендации полученных решающих правил для практического использования.

В ходе экспериментального оценивания и в результате математического моделирования было показано, что при использовании всех информативных признаков уверенность в правильном прогнозе по обоим исследуемым классам превышает величину 0,8 в третий год наблюдения. Показатели качества прогнозирования на третий год наблюдения выше, чем у известной системы прогнозирования сердечно-сосудистых осложнений ASCORE, в среднем, на 12%.

При исключении из пространства информативных признаков подмножества признаков, полученных по результатам биоимпедансного анализа, показатели качества прогнозирования ИСППР не уступают, а по некоторым показаетлям превосходят показатели качества шкалы ASCORE.

4.4