<<
>>

Структурный анализ и синтез признакового пространства для математических моделей прогнозирования и развития ишемии сердца

Одной из важнейших задач прогнозирования и медицинской диагностики является выбор списка ИП, адекватно описывающих исследуемые классы состояний. Для определения ССО, в частности, ИБС, используют хорошо исследованный и достаточно обширный пул информативных признаков и функциональных проб.

Например, в [67, 110, 111] их предложено более шестидесяти. По совокупности различных публикаций, признаков, которые могут быть использованы для решения поставленных задач, насчитывается более сотни.

С учётом сказанного, на первом этапе выбора состава ИП, пользуясь общепринятым подходом к тестированию СППР, была сформирована группа высококвалифицированных экспертов в составе 8 человек, согласованность действий которой проверялась по коэффициенту конкордации на тестовых заданиях [69]. По правилам, принятым в квалифицированной экспертной группе, ориентируясь на рекомендации работ [16, 24, 38, 46, 50], отобраны более 100 признаков.

Анализ многочисленных работ и собственные исследования показали, что задачи медицинского прогнозирования относятся к классу плохо формализуемых задач с плохо определяемыми классами состояний. Экспертное оценивание и разведочный анализ по структуре данных в пространстве признаков, выбранных медицинскими экспертами, показал, что решаемые в работе задачи так же относится к классу плохо формализуемых задач. Опыт решения задач с похожей структурой данных, приобретённый на кафедре биомедицинской инженерии ЮЗГУ, показал, что при синтезе моделей принятия решений при такой структуре

данных приемлемые для медицинской практике результаты достигаются путем использования методологии синтеза гибридных нечетких решающих правил, изложенной в работах [62, 64, 65, 65, 66, 70, 71, 72, 73, 101].

В рамках этой методологии было показано, что в условиях недостатке информативности для оценки и выбора ИП целесообразно использовать нечёткие модификации методов группового учёта аргументов (МГУА) [67, 101], теорию измерения латентных переменных [11, 47, 67, 100, 101, 102], экспертное оценивание [67, 101].

С учётом важности решаемой задачи, стремясь обеспечить максимальное количество принимаемых решений, эксперты выбрали три группы признаков, позволяющих описывать различные аспекты риска ИБС: 1) данные опросов, осмотров, лабораторных и инструментальных исследований; 2) параметры компьютерных электрокардиологических исследований; 3) параметры, характеризующие энергетические характеристики меридианных структур, организации «связанных» с сердечно-сосудистой системой (ССС).

При выборе состава ИП прогнозирования риска появления и развития ИБС эксперты исходили из выводов доктора А. Быкова о том, что ишемические поражения чаще всего носят системный характер, при котором развитие периферических ишемических осложнений несёт за собой ишемию центральной гемодинамической системы. При этом происходит нелинейное взаимовлияние систем друг на друга, приводящее к взаимоотягощению ишемических процессов, вплоть до летального исхода [14, 15, 42, 84, 99, 119, 120].

С учётом сказанного и следуя рекомендациям [42, 119, 120] для решения задачи прогнозирования возникновения ИБС были выбраны следующие показатели: степень тяжести развития ишемического процесса в центральной гемодинамической системе (ЦГС); показатель степени риска развития ИБС по группе гемодинамических показателей (SR); показатель перикисного окисления липидов (ПОЛ); показатель антиокислительной активности (АОА), показатель степени риска появления и развития ИБС по энергетическому разбалансу

биологически активных точек (БАТ), «связанных» с заболеванием сердца (SRB); уровень психоэмоционального напряжения (YP); уровень функционального резерва (YF).

Показатель ЦГС определяется как комплексный параметр, учитывающий нелинейные процессы периферической и центральной гемодинамики [13]. С учётом нелинейных мультипликативных взаимосвязей для синтеза формулы оценки ЦГС в соответствии с рекомендациями [67, 86] была предложена нечеткая модель для алгоритма МГУА в результате чего было получено выражение [15]:

где САД - систолическое артериальное давление (АД) в момент оценки ишемического поражения ЦГС (мм.рт.ст.); ЧСС - частота сердечных сокращений (удары в минуту); КАД - разница систолического АД в момент оценкм ишемического поражения ЦГС и 3 дня назад (мм.рт.ст.); АЧТВ - активированное частичное тромбопластиновое время (в секундах);- концентрацияв

крови, моль/л; КМВ - коэффициент межрегионального взаимодействия, определяющий взаимное влияние на тяжесть ишемического процесса ЦГС наличия ишемических процессов в сердце, головном мозге и нижних конечностях; а.

- весовой коэффициент, определяющий взаимовлияние

периферийных органов на ЦГС (для сердца а=2,5).

Коэффициент межрегионального взаимодействия (КМВ) определяется выражением:

где ПАД - пульсовое АД, мм.рт.ст.; ПОВД - постокклюзионное венозное давление в конечности, мм.рт.ст.; ДДР - диагностический резерв до и после пробы; ХСБВО -% снижение объёма кровотока в базальной вене в ортостазе.

В соответствии с рекомендациями [15] в качестве показателей, характеризующих гемодинамику сердца (SR) и определяющих риск развития ИБС выбраны: X1- амплитуда Т-зубца; X2- смещение сегмента ST относительно изоляции; X3- концентрация креатинфосфокиназы; X4- концентрация тропанит Т.

Интегральный показатель SR в соответствии с рекомендациями [15, 42, 67, 119] определяется через функции степени риска развития ИБС fc (Xi)с такой же областью определения, как и функции принадлежности. На рисунке 2.1 приведены графики функций степени риска развития ИБС с базовыми переменными X1, ..., X4.

Рисунок 2.1 - Функции степени риска развития ишемической болезни:

а) -fc(χ); б) fc(χ2); в) -fc(X3); г) fc(χ4) (начало)

Рисунок 2.1 - Функции степени риска развития ишемической болезни:

а)-fc( xi); б) f (X2); в)-fc(хз); г) f (XJ (окончание)

Графики функций fc (X1) описываются аналитическими выражениями типа

36

В соответствии с рекомендациями [15, 42, 67, 84, 119, 120] показатель степени риска развития ИБС по группе гемодинамических показателей определяется выражением:

где SK(1) = f (X1), i = 2, 3.

В соответствии с рекомендациями [15, 83] для построения функций принадлежности к классу «высокий риск развития ИБС» - ®ИБС по показателям перекисного окисления липидов (ПОЛ) и антиокислительной активности (АОА) в качестве базовых переменных определены величины отклонения ПОЛ и АОА от их номинальных значений. То есть:

где- ПОЛ и АОА, измеренные на репрезентативной группе здоровых

людей;■ ПОЛ и АОА у обследуемого пациента.

Выбор информативных БАТ проводился в соответствии методикой, предложенной в [20, 61, 63, 67, 74, 75]. Для определения риска развития ИБС использовались БАТ, связанные с меридианом сердца (С1 ... С9) [61, 74, 81].

В таблице 2.1 представлены динамические диапазоны электрических сопротивлений в информативных БАТ и соответствующие им прогностические оценки степени риска развития ИБС [32, 38].

Таблица 2.1 - Прогностическая таблица по группе БАТ

БАТ Диапазоны сопротивлений, кОм
>500 400

500

300

399

200

299

100

199

90

99

80

89

70

79

60

69

50

59

40

49

0,05, следовательно, все они удовлетворяют модели Г. Раша.

В работе доктора А. Быкова [84] показано, что одним из полезных показателей, используемых врачами для прогнозирования исхода ишемического

поражения сердца, и выбора рациональных схем профилактики и лечения является показатель степени тяжести ишемического поражения сердца.

Для оценки степени тяжести ИБС эксперты предлагают использовать две модели.

В основу первой модели положена таблица субъективных наблюдений за интенсивностью болевого синдрома в сердце. Эта модель характеризуется простотой получения исходной информации, но ее точность в значительной степени определяется субъективной компонентой оценки болевого синдрома.

Вторая модель основывается на данных лабораторных и инструментальных исследований и является более точной, но требует проведения соответствующих медицинских исследований.

Для реализации первой модели используется: степень тяжести ишемического поражения ЦГС - ⅛ время сегрегированной (ВС) критической ишемии в месяцах - S2;интенсивность болевого синдрома сердца (баллы) - S3.

В работе [99] описан вариант оценки интенсивности болевого синдрома сердца (ИБСС) и исследована таблица (таблица 2.3) бальных оценок, полученная в соответствии с опросником, который позволяет практически в ежедневном режиме осуществлять мониторинг состояния пациента [99].

Таблица 2.3 - Расчетная таблица оценки ИБСС

\ви

к

Первые 2 недели 1-й месяц 2-й месяц 3-7 месяцев 8 и более месяцев
Ki 4 б 7 8 10
K2 3 3 4 5 6
K3 2 2 3 4 5
І4 2 2 3 4 5
K5 0 1 2 3

В этой таблице: ВИ - временной интервал; Ti - боли за грудиной; Y2- одышка; Y3- тахикардия, тахиаритмия; Y4- ишемическое ремоделирование (ХСН, ОКС, ИМ); Y5- кардинальный имболический синдром.

Таблица 2.3 составлена экспертным, что понижает объективность получаемых оценок.

В работе [99] для оценки величины S3предложено использовать математическую модель:

где Yi- величины баллов, выбираемых по таблице 2.3 для каждого из признаков.

Информативность выбранных показателей была подтверждена с использованием интерактивного пакета RUMM 2020, реализующего методы теории измерения латентных переменных [11, 67, 100, 101] и МГУА [67, 86].

Для второй модели оценка степени тяжести ишемического поражения сердца в ходе разведочного анализа эксперты сформировали два блока признаков. Оценка информативности этих блоков производилась при использовании теории измерения латентных переменных с моделью и МГУА-алгоритмов: блок признаков, характеризующих ЦГС, и блок, характеризующий региональную гемодинамику сердца (РГС).

Блок ЦГС включает признаки вычисления величины ЦГС по формуле 2.1. Блок РГС включает признаки вычисления величины: X1- амплитуда Т зубца; X2- смещение сегмента STотносительно изолинии; X3- концентрация креатинфосфокиназы; X4 - концентрация тропанина Т.

Полученные количественные показатели и информативные признаки, состав которых минимизирован с использованием модели Г. Раша и МГУА- алгоритмов, на втором этапе исследований используются для синтеза соответствующих решающих правил.

С учётом сформированных групп ИП и структур полученных данных, при разработке автоматизированной системы по прогнозу ИБС используется мультиагентная концепция поддержки принятий решений с тремя автономными интеллектуальными агентами (АИА) на нижнем уровне. Каждый агент выступает в качестве эксперта по риску ИБС с вынесением уверенности по трем группам предикторов КУ1, КУ2, КУ3. Теоретические и практические основы построения мультиагентных систем изложены в работах [126, 128, 129].

Структурная схема АИА нижнего иерархического уровня, предназначенных для организации автоматизированной системы прогнозирования ИБС, представлена на рисунке 2.2.

Рисунок 2.2 - Структурная схема интеллектуальных агентов нижнего

иерархического уровня

Несмотря на то, что на выходе АИА присутствует число, тем не менее, это нечеткая переменная, поэтому ее динамический диапазон лежит в интервале [0,

..., 1], а для АИА верхнего иерархического уровня эта числовая переменная должна быть трансформирована в лингвистическую. Это достаточно гибкое техническое решение, так как выходы АИА нижнего иерархического уровня зависят от ряда факторов, например, полноты группы предикторов в текущем эксперименте, условиям эксперимента (функциональная проба, рецидив сопутствующего заболевания, и т.п.), которые могут быть учтены при построении фуззификатора на выходе АИА нижнего уровня.

Схема включает три решающих модуля, на входы которых подаются ИП из соответствующих групп, поученные от объектов с известным риском ИБС в режиме обучения или от неизвестного образца в режиме классификации. Используя формирователь обучающих выборок для АИА верхнего иерархического уровня, строится таблица объект-признак для обучения классификаторов верхнего иерархического уровня.

2.2

<< | >>

Еще по теме Структурный анализ и синтез признакового пространства для математических моделей прогнозирования и развития ишемии сердца:

  1. Синтез математических моделей для прогнозирования динамики развития критической ишемии нижних конечностей и оценки возможности возникновения гангрены по электрическим характеристикам биологически активных точек
  2. Разработка интеллектуальных агентов и моделей прогнозирования возникновения и развития ишемии сердца
  3. Синтез математических моделей прогнозирования ишемических рисков на основе традиционных предикторов сердечно-сосудистых осложнений
  4. Синтез математических моделей прогнозирования рецидива МКБ
  5. Синтез математических моделей прогнозирования возникновения МКБ
  6. Модели и алгоритмы для прогнозирования ишемической болезни сердца на основе анализа электрокардиосигнала
  7. 2.2. Метод синтеза нечетких математических моделей прогнозирования и ранней диагностики профессиональных заболеваний работников электроэнергетики.
  8. 2.4 Метод синтеза гетерогенных математических моделей прогнозирования повторного инфаркта миокарда в реабилитационном периоде
  9. 4.3 Анализ эффективности математической модели прогнозирования рецидива МКБ
  10. Выбор математического аппарата для оценки эффективности полученных результатов и оценка качества работы математических моделей прогнозирования инфаркта миокарда в реабилитационном периоде
  11. Анализ эффективности математической модели по прогнозированию возникновения камнеобразования при мочекаменной болезни
  12. 4.3 Анализ качества работы математических моделей прогнозирования возникновения и рецидива гангрены нижних конечностей
- Акушерство и гинекология - Анатомия - Андрология - Биология - Болезни уха, горла и носа - Валеология - Ветеринария - Внутренние болезни - Военно-полевая медицина - Восстановительная медицина - Гастроэнтерология и гепатология - Гематология - Геронтология, гериатрия - Гигиена и санэпидконтроль - Дерматология - Диетология - Здравоохранение - Иммунология и аллергология - Интенсивная терапия, анестезиология и реанимация - Инфекционные заболевания - Информационные технологии в медицине - История медицины - Кардиология - Клинические методы диагностики - Кожные и венерические болезни - Комплементарная медицина - Лучевая диагностика, лучевая терапия - Маммология - Медицина катастроф - Медицинская паразитология - Медицинская этика - Медицинские приборы - Медицинское право - Наследственные болезни - Неврология и нейрохирургия - Нефрология - Онкология - Организация системы здравоохранения - Оториноларингология - Офтальмология - Патофизиология - Педиатрия - Приборы медицинского назначения - Психиатрия - Психология - Пульмонология - Стоматология - Судебная медицина - Токсикология - Травматология - Фармакология и фармацевтика - Физиология - Фтизиатрия - Хирургия - Эмбриология и гистология - Эпидемиология -