2.4 Метод синтеза гетерогенных математических моделей прогнозирования повторного инфаркта миокарда в реабилитационном периоде

При прогнозировании ПИМ в реабилитационном периоде выделим несколько групп ФР, которые, влияют на точность формирования прогноза ПИМ в реабилитационном периоде. Эти ФР, в свою очередь, могут быть отягощены другими достаточно серьезными болезнями ССС.

К первой группе ФР отнесем специфические для выбранного класса задач признаки xι, ..., xι₉, описанные в подразделе 2.2. Этот набор ФР подобран так, что каждый из них при своей регистрации увеличивает уверенность в том, что риск ПИМ уточняется. При этом уверенность в решении по всем специфическим традиционным ФР для задачи с номером Eможет быть определен модификацией формулы (2.22). С целью минимизации времени и экономических затрат на проведение обследования исследовать предлагаемые экспертами списки ФР xна информативность (параметр по Кульбаку) [53, 54, 55, 101, 107] и выбрать те из них, которые при минимуме затрат обеспечивают заданное качество прогнозирования.

Анализ литературных данных и серия специально проведенных исследований позволили установить, что для ПИМ и при наличии сопутствующих заболеваний достаточно высокими факторами риска ПИМ может быть длительное ПЭН.

С учетом этого в работе предлагается использовать следующий метод синтеза гетерогенных классификаторов для решения задач прогнозирования ПИМ:

1. Для заданного класса заболеваний (задача со_ИМ) с участием квалифицированной группы экспертов формируется список ФР традиционно принятых в медицинской практике, из которого используя известные

статистические критерии (например, оценку информативности по Кульбаку), формируется группа ИП x_i, каждый из которых можно рассматривать как ФР, повышающий уверенность в оценке прогноза ПИМ.

2. Выбираются сопутствующие заболевания, которые увеличивают риск ПИМ. Для них, аналогично пункту 1, формируется список ФР х .

3. Формируются дополнительные ФР, влияющие на положительный прогноз риска ПИМ.

4. Строится концептуальная модель гетерогенных классификаторов.

5. Согласно выбранной концептуальной модели строятся "слабые" классификаторы по первому подпространству ФР в виде выражения (2.21) с выходом переменной TF_i.

6. Если полученный гетерогенный классификатор требует "усиления", то по ФР, отражающим влияние на риск ПИМ сопутствующих заболеваний, строятся "слабые" классификаторы (функции принадлежности) к классам сопутствующих заболеваний ω_cс базовыми переменными х и получают гетерогенный классификатор типа (2.39)

7. Если полученный гетерогенный классификатор требует "усиления", то модель гетерогенного классификатора для оценки степени риска ПИМ уточняются путем введения составляющих оценки уровня длительного ПЭН (YH), которые являются базовыми переменными для функций принадлежности к классам ω_i>и

^θ:

где- вклад составляющих уровня ПЭН в риск обострения

основной ω_iи сопутствующих патологий ω_cпри условии развития ИМ с реализацией задачи ω_i= со_ИМ.

8. Если в результате дополнительных статистических исследований или на экспертном уровне выясняется положительное влияние сопутствующих заболеваний ω_cна течение ИМ, выражение (2.40) корректируется до модели вида: где в_ИМ - весовой коэффициент согласующий влияние ω_cна RO_ИМ.

9. Если полученный гетерогенный классификатор требует "усиления", то модель гетерогенного классификатора для оценки степени риска ПИМ уточняются путем подключения "слабых" классификаторов, учитывающих ФР, связанные с энергетическим состоянием БАТ.

10. Если полученный гетерогенный классификатор требует "усиления", то производится поэтапное уточнение моделей "слабых" классификаторов. Если это не приводит к успеху, то модифицируется концептуальная модель гетерогенного классификатора с последующим возвращением на пункт 5.

11. Если полученный гетерогенный классификатор требует "усиления", то производится переформирование структуры пространства ФР с дополнительным подключением виртуальных ИП.

На рисунке 2.8 показана обобщающая схема алгоритма синтеза гетерогенного классификатора для определения ПИМ на основе концептуальной модели гетерогенного классификатора, представленной на рисунке 2.3.

Алгоритм работает следующим образом. В блоке 1 лицо, принимающее решение, (ЛПР) вводит данные из медицинской карты пациента, трестирующегося на риск ПИМ. ЛПР проводит три комплекса тестов для формирования пространства ИП исходя из их доступности для текущего пациента в текущих условиях (блоки 2, 3, 4).

Рисунок 2.8 - Схема алгоритма синтеза гетерогенного классификатора в гетерогенном пространстве информативных признаков (начало)

Рисунок 2.8 - Схема алгоритма синтеза гетерогенного классификатора в гетерогенном пространстве информативных признаков (окончание)

В блоке 5 ЛИР (врачом) проводится субъективная оценка полученных данных, и, если возникает подозрение о существовании ошибок (неправильная работа измерительных устройств, например, тонометра, неправдоподобные ответы на опросник) в полученных экспериментальных данных, сбор данных осуществляется повторно. В блоке 6 формируется концептуальная модель гетерогеннного классификатора. После получения экспериментальных данных, которые удовлетворяют исследователя, в соответствии с отобранными признаками, проводится выбор "слабых" классификаторов (блок 7) для ФР традиционного сегмента.

Затем выводится результат о риске возникновения у данного ПИМ: класс ω₀- «Есть предрасположенность», ω₁- «Нет предрасположенности» (блок 9). В блоке 10 осуществляется выбор: завершить или продолжить исследование. Если уверенность в риске удовлетворяет исследователя, то процесс заканчивается. В противном случае осуществляется синтез новых "слабых" классификаторов на основе ФР по сопутствующим заболеваниям. "Слабые" классификаторы формируются в блоке 11 и интегрируются в гетерогенный классификатор в блоке

12. Вывод риска по синтезированному гетерогенному классификатору осуществляется в блоке 13. В блоке 14 осуществляется выбор: завершить или продолжить исследование. Если уверенность в риске удовлетворяет исследователя, то процесс заканчивается. В противном случае осуществляется синтез новых "слабых" классификаторов на основе ФР по ПЭН. "Слабые" классификаторы формируются в блоке 15 и интегрируются в гетерогенный классификатор в блоке 16. Вывод риска по синтезированному гетерогенному классификатору осуществляется в блоке 17. В блоке 18 осуществляется выбор: завершить или продолжить исследование. Если уверенность в риске удовлетворяет исследователя, то процесс заканчивается. В противном случае

осуществляется синтез новых "слабых" классификаторов на биоимпедансных исследований. "Слабые" классификаторы формируются в блоке 19 и интегрируются в гетерогенный классификатор в блоке 20.

Вывод риска по синтезированному гетерогенному классификатору осуществляется в блоке 21. В блоке 22 осуществляется выбор: завершить или продолжить исследование. Если уверенность в риске удовлетворяет исследователя, то процесс заканчивается. В противном случае блок 23 предполагает пять альтернатив дальнейших исследований: переформатировать пространство ИП (ветвь 1), сформировать новую концептуальную модель гетерогенного классификатора (ветвь 2), выбрать новые "слабые" классификаторы по традиционным ФР (ветвь 3), выбрать новые "слабые" классификаторы по ФР сопутствующих заболеваний (ветвь 4), выбрать новые "слабые" классификаторы по результатам биоимпедансных исследований (ветвь 5).

Данный алгоритм позволяет определить риск ПИМ, как на основе психологических и физиологических параметров в отдельности, так и использовать всё пространство ИП, кроме того, возможно получение нескольких результатов в зависимости от выбранных моделей "слабых" классификаторов и агрегаторов.

Использование показателя TF^совместно с ц_ИМ(YH) в формуле (2.42) позволяет получить математическую модель RO_miдля расчёта риска развития ИМ с уровнем надежного прогнозирования на уровне 0,85 и выше в зависимости от качества и количества информации собираемой о состоянии пациента.

С учетом всех полученных составляющих общая математическая модель прогноза ПИМ в период реабилитации (формула (2.42)) трансформируется в модель вида:

Результаты математического моделирования с подсчетом количества ошибок, совершаемых правилом расчета RR∏mпоказывает, что уверенность в

прогнозе ПИМ в период ремиссии превышает величину 0,85, что для выбранного класса задач позволяет предлагать нечеткую прогностическую модель типа (2.43) к практическому применению в кардиологической практике.

2.5