ОПТИМИЗАЦИЯ РАСПОЗНАЮЩЕГО АЛГОРИТМА

Была поставлена задача сократить число признаков, постараться избавиться от сложных признаков и улучшить параметры качества диагностики методами вычислительного эксперимента. Пошаговое сокращение числа признаков велось от полного (37) их набора до 1; наращивание — от одного признака до полного набора.

Далее, на каждой из (7-образных кривых, исходя из разных соображений, выбиралась наиболее подходящая точка в одном из локальных минимумов, и от этой точки запускался процесс пошагово-оптимального удаления-добавления, когда на каждом шаге пытались или добавить один из отсутствующих, или удалить один из присутствующих признаков и выбирали оптимальное действие. Это приводило к заметному улучшению результата (пришлось принять особые меры против зацикливания программы). Этот механизм был использован в двух вариантах: со всеми признаками и с заранее выкинутыми сложно вычисляемыми признаками.

В результате описанных экспериментов было получено более 50 решающих правил. Параметры лучшего решающего правила приведены в виде ФИБ в работе [65] и в приложении 7, а оценка его качества — в табл. 13.2 и 13.3. Распределение ошибок по группам заболеваний представлено ниже:

Доля случаев гипердиагностики среди обследованных больных с данным нозодиагнозом (%)

ОРВИ, пневмонии, ангины 5,9

Кишечные инфекции 5,4

Нейроинфекции (не МИ) 6.8

МИ 52,8

Получен алгоритм с небольшим числом простых признаков, расчет по которому укладывается в 1 — 2 мин. Как видно из табл. 13.2 и 13.3, в целом соотношение ответов формальной диагностики значительно благоприятнее соотношения, характерного для врачебной диагностики.

Обращаем особое внимание на то, что таблица сделана для условий СП и передача ее на другие звенья приведет к ухудшению результатов. Возможно, для поликлиники и НП она и пригодна, но это необходимо проверить отдельно.

Для того, чтобы с уверенностью рекомендовать результат в практику, необходимо сделать еще один шаг — проверку на независимой контрольной группе.

Для практического внедрения предлагается следующая формулировка: применять таблицу во всех случаях тяжелых и крайне тяжелых инфекционных состояний, когда есть хоть какие-то сомнения в диагнозе. При этом врач СП будет применять ФИБ-12 не чаще, чем в одном случае из 6, а в специализированное отделение нейроинфекции в Ленинграде будет доставлено дополнительно около 50 больных за год.

Возможно, разработанная система нуждается в дальнейшем «обучении» до начала внедрения. Значительная доля информативности содержится в первых трех признаках ФИБ-12. Это значит, что при отсутствии сыпи выявить ГТФМИ будет трудно. Об этом говорят и результаты проверки: из 9 случаев ГТФМИ, когда в момент заполнения карты сыпи не было, врачи не распознали ни одного, а формальная процедура распознала лишь два случая. Некоторые ранние признаки ГТФМИ остались неисследованными, так как не регистрировались в картах СП. Это обусловило включение в ФИБ-12 признаков 2.14...2.18.

Однако уже сейчас угрозометрический подход на основании ФИБ-12 может позволить при динамическом наблюдении (например, при повторном посещении больного через 3 ч) получить количественную характеристику динамики состояния в виде «вектора тяжести», что должно облегчить принятие правильного тактического решения.