Автоматизированные системы для распознавания патологических состояний методами вычислительной диагностики
Автоматизированные системы для распознавания патологических состояний методами вычислительной диагностики - раздел Медицина, МЕДИЦИНСКАЯ ИНФОМАТИКА КАК НАУКА. СТАНДАРТНЫЕ ПРИКЛАДНЫЕ ПРОГРАММНЫЕ СРЕДСТВА В РЕШЕНИИ ЗАДАЧ МЕДИЦИНСКОЙ ИНФОРМАТИКИ С Начала 1960-Х Гг. При Решении Задач Дифференциальной Диагностики Использов...
С начала 1960-х гг. при решении задач дифференциальной диагностики использовались методы математической статистики и распознавания образов (под образами понимаются классифицируемые классы — заболеваний, состояний). В России первыми применили вычислительную диагностику Н. М.Амосов и М.Л. Быховский.
Вычислительная диагностика используется для решения задач:
· клинической дифференциальной диагностики;
· выявления лиц с повышенным риском заболевания при массовых профилактических или профессиональных осмотрах;
· прогнозирования течения заболевания, эффективности лечения, оценки тяжести состояния, исхода заболевания.
Примерный план действий при разработке алгоритма (решающего правила) для дифференциальной диагностики заболеваний (состояний, синдромов) в большинстве случаев состоит из четырех этапов.
1. Постановка задачи. Формулируется перечень заболеваний (синдромов, состояний), которые необходимо распознавать с помощью разрабатываемого правила. При этом необходимо учитывать, что все объекты (пациенты) должны описываться определенным набором параметров, с помощью которых предположительно можно будет распознать эти объекты. Формируется их перечень. Создается формализованная карта параметров с их градациями. Продумывается система (шкала) кодирования градаций параметров.
2. Формирование обучающей выборки. Чтобы приступить к решению задачи дифференциальной диагностики, нужно иметь некоторое множество реальных историй болезни с известными верифицированными диагнозами, которые и будет распознавать построенное в будущем решающее правило. Такое множество необходимо для анализа материала с целью определения статистически «типичной» картины для каждого рассматриваемого заболевания (состояния, синдрома) — образа заболевания.
Однако важно понимать, что в обучающую выборку должны войти все пациенты за определенный (обычно несколько лет) период работы клиники или случайно отобранные больные, соответствующие сформулированным критериям отбора. Неслучайный отбор пациентов может привести к разработке узконаправленного правила.
Необходимо отметить, что сформировать обучающую выборку можно как на ретроспективном материале (по историям болезни), так и в проспективном исследовании. Чрезвычайно важны полнота собираемого клинического материала и его объем при минимальном числе пропущенных значений используемых параметров.
Формализованные карты всех пациентов, входящих в обучающую выборку, заносятся в массив (например, в таблицу MS Excel), который впоследствии и будет обрабатываться для получения диагностического алгоритма.
3. Исследование параметров на информативность и минимизация их количества. Подходов к исследованию параметров на информативность при дифференциальной диагностике и решении задач прогнозирования достаточно много. Это и подсчет частот, и применение методов параметрической и непараметрической статистики для исследования различий средних значений выборок, точного метода Фишера, метода Байеса (например, для оценки диагностической информативности совокупности отобранных параметров) и др.
Важно, что в результате такого исследования в рассмотрении остаются наиболее информативные параметры, число которых существенно сокращается, причем без ущерба для конечной цели — распознавания дифференцируемых состояний. Наоборот, повышение качества распознавания происходит при отборе наиболее информативных параметров, так как при этом отсеиваются параметры, создающие так называемый «шум», т.е. не имеющие дифференциально-диагностической ценности.
Для минимизации количества параметров можно (и часто нужно) использовать математические методы, например корреляционный анализ. Если имеет место сильная корреляция, то один из пары параметров следует убрать из набора. В этом случае необходимо рассматривать как клинические аргументы, так и аргументы с позиции здравого смысла (например, какой из параметров труднее и дороже измерять, тот из пары и следует исключить).
4. Получение решающего правила и его оценка. Для получения диагностического алгоритма часто используют принципы кластеризации, методы множественного статистического анализа: дискриминантный, регрессионный, нейросетевой и др. В настоящее время для этого в большинстве случаев используют известные статистические пакеты: SPSS, Statistica и др.
Два принципиально различных подхода к распознаванию — вероятностный (стохастический) и детерминистский — выдают решение в различной форме. При вероятностном подходе ответ сопровождается оценкой (обычно в процентах), указывающей на возможность того или иного диагноза (прогноза). При детерминистском однозначно указывается один из возможных вариантов ответа.
Критериев качества распознавания несколько. Одним из них является процент правильных отнесений (или наоборот — число ошибок распознавания) на обучающей выборке. Принято оценивать чувствительность диагностического алгоритма и его специфичность.
Чувствительность — доля пациентов с диагностированным заболеванием среди всех пациентов с данным заболеванием в обучающей выборке, т.е. отношение числа истинно положительных результатов к числу случаев с наличием заболевания.
Специфичность — это доля пациентов с диагностированным заболеванием среди пациентов без данного заболевания в обучающей выборке, т.е. отношение числа истинно отрицательных результатов к общему числу случаев с отсутствием заболевания.
Одним из способов оценки качества полученного диагностического алгоритма является проведение скользящего экзамена. Суть его заключается в том, что данные каждого пациента по очереди исключаются из обучающей выборки, процедура классификации повторяется без него, а затем данные исключенного пациента подставляются в полученное правило и оценивается правильность диагностики.
Достаточно распространенным подходом к оценке полученного диагностического алгоритма остается его проверка на контрольной (экзаменационной) выборке ретроспективных данных и в опытной эксплуатации в проспективном исследовании. Этапы распознавания можно представить следующим образом:
1) предварительный анализ данных и минимизация пространства параметров;
2) классификация на обучающий выборке;
3) контроль результатов классификации на экзаменационной выборке.
Весь описанный процесс разработки диагностических алгоритмов кроме первого этапа, на котором активно участвует врач как эксперт, и оценки эффективности полученного решающего правила обычно осуществляется с минимальным участием врача. Он является пользователем системы. Современные системы не только строят диагностическое заключение (нозологический диагноз, синдромальный диагноз и др.), но и представляют его в виде, облегчающем интерпретацию.
Автоматизированные системы вычислительной диагностики могут быть полезны для начинающих врачей, клинических ординаторов, фельдшеров. В особенности это касается необходимости принятия решений в отношении редких заболеваний. Высокоэффективным является применение таких систем при неотложных состояниях (в условиях дефицита времени на принятие решений при небольшом объеме имеющейся о пациенте информации), особенно в дистанционном режиме.
С конца 1970-х до середины 1980-х гг. в Российской Федерации осуществлялась масштабная программа по разработке и внедрению системы дистанционной консультативной диагностики (руководитель программы — С. А. Гаспарян). В ее реализации участвовали восемь медицинских вузов и клинических НИИ, три территориальных медицинских вычислительных центра.
Целью разработки было создание системы вычислительной диагностики, позволяющей осуществлять дифференциальную диагностику заболеваний в дистанционном режиме при неотложных состояниях: нарушениях мозгового кровообращения, травмах черепа, ишемической болезни сердца, инфаркте миокарда, острых заболеваниях органов брюшной полости, таза, забрюшинного пространства, в том числе в педиатрической практике.
В середине 1980-х гг. система была внедрена в 48 административных территориях РФ на базе круглосуточно работающих консультативных диагностических центров при отделениях санитарной авиации. Дистанционная диагностика осуществлялась путем телефонного или радиообщения между врачом, обратившимся за консультацией, и дежурным оператором центра (средним медицинским работником). Врач диктовал номера признаков формализованной карты осмотра больного дежурному оператору центра, который вводил эти данные в компьютер и передавал врачу результаты диагностического заключения. Пользователю передавался также перечень признаков, которые могли бы повысить качество диагностики при повторной обработке данных, и выдавалась рекомендация о времени повторного обращения в центр.
В системе детского здравоохранения была создана ассоциация «Неотложная педиатрия» (руководитель — Э. К. Цыбулькин), объединившая ЛПУ более 10 регионов — пользователей системы дистанционного вычислительного консультирования.
Средний уровень правильной диагностики, осуществляемой врачами районных и сельских больниц, в то время составлял 62 %. Анализ 40 тыс. консультаций, осуществленных консультативными диагностическими центрами, показал, что использование системы вычислительной диагностики позволило поднять уровень правильно диагностированных случаев до 87 %, а при повторной обработке данных на расширенном наборе признаков — до 95 %.
Подобные разработки могут иметь хорошие перспективы для использования при дистанционной диагностике с помощью современных телемедицинских технологий (см. гл. 4).
Системы для распознавания патологических состояний методами вычислительной диагностики могут использоваться как отдельно, так и в составе автоматизированных рабочих мест врачей разных профилей.
Существенным недостатком большинства диагностических алгоритмов, построенных с помощью методов распознавания образов, была и остается непрозрачность их логики для медицинского персонала. Врачи, работающие с такими системами, пытаются интерпретировать хотя бы набор признаков, вошедших в диагностический алгоритм, но не могут понять логику решений автоматизированной системы.
В настоящее время в своей профессиональной деятельности врач любой специальности при решении задач медицинской науки и практики обязательно... Предлагаемый учебник принципиально отличается от издавав шихся ранее учебных... В гл дана подробная историческая справка Рассматриваются науки на основе которых зародилась медицинская...
СПИСОК СОКРАЩЕНИЙ
АИС — автоматизированная информационная система
АРМ — автоматизированное рабочее место АС — автоматизированная система
АСУ — автоматизированная система управления
АЦП — а
Исторический обзор
Прежде чем начать изучать МИ, следует узнать ее историю. Слово «кибернетика» в Древней Греции означало науку об искусстве управления и относилось к управлению кораблями. В СССР в середине ХХ в. киб
Место медицинской информатики в здравоохранении
Информатика как самостоятельная наука появилась в конце XX в. Хотя, как удачно заметил Г. А. Хай (2007), информатика су шествовала с момента возникновения человеческого общества, но не имела этого
Применение текстового редактора в медицинских задачах
В предыдущей главе уже упоминалось, что при решении задач медицинской информатики можно использовать стандартные программные средства, хотя все чаще для этого применяют специально разработанные п
Применение электронных таблиц при работе с медицинскими данными
Табличные процессоры (электронные таблицы) — удобное средство для проведения расчетов, построения диаграмм и анализа данных. Наиболее распространенные электронные таблицы MS Excel имеют бол
Программные средства математической статистики
Математическая статистика — универсальный инструмент для анализа любых данных, в том числе экспериментальных клинических и биомедицинских. Но выбираемый метод должен отвечать поставленной цели и
Особенности медицинских данных
Первым шагом, предваряющим собственно статистический анализ, является исследование типа данных, основными из которых являются количественные и качественные.
Качественные данные подразделя
Использование методов математической статистики для анализа данных
В учебном издании по медицинской информатике было бы излишне приводить подробные описания методов математической статистики, тем более что в последние годы вышло достаточно большое количество спец
Интерпретация и представление полученных результатов
В настоящее время написание клинического отчета, научной статьи и тем более диссертации невозможно без грамотного представления результатов, полученных с помощью методов математической статистики
Понятие телемедицины
Телемедицина и Интернет, не являясь в прямом смысле составными частями медицинской информатики, характеризуются общими тенденциями развития.
Создание региональных и федеральных сетей опир
Этапы становления российской телемедицины
На первом этапе становления отечественной телемедицины (1960-1990-е гг.) появились такие достижения, как телеметрическая оценка параметров жизнедеятельности космонавтов, международные телеме
Телеконсультирование, теленаблюдение и телепомощь
Чрезвычайно важно организовывать телемедицинскую консультативную помощь в отношении социально значимых и трудно дифференцируемых заболеваний. Телеконсультации и телеконсилиумы с участием группы вра
Дистанционное обучение
Дистанционное преподавание все шире распространяется в развитых и развивающихся странах. Оно приобретает особое значение для повышения квалификации в связи с ускорением развития медицинской науки
Медицинские ресурсы сети интернет
Интернет — всемирная ИС, т.е. совокупность разных сетей, построенных на базе протокола TCP/IP (Transmission Control Protocol/Internet P-Protocol), т.е. протокола управления передачей в сети,
Общие требования к информационным медицинским системам
Основным документом, определяющим требования и порядок разработки АС (в том числе медицинских), является техническое задание (ТЗ).
Техническое задание на АС может включать следующие подра
Моделирование и использование моделей в медицине
Модель — это создаваемое человеком подобие изучаемого объекта (макет, изображение, схема, карта, словесное описание, математическое представление и т.п.). Метод моделирования состоит в исследован
Медико-технологические системы и их особенности
Медико-технологические системы — это системы, обеспечивающие обработку и анализ информации, представленной в электронной форме, для поддержки принятия решений и информационной поддержки медицинс
Особенности интеллектуальных автоматизированных рабочих мест
Интеллектуальное АРМ — это программный продукт, в котором некоторая часть или все модули поддержки процесса принятия решений реализованы с использованием систем, основанных на знаниях (экспертных
Специализированные рабочие места
Понятие «типовое АРМ» базируется на общих принципах его построения и функционирования. Это необходимое условие для разработки совместимых АРМ. Такой подход не исключает, однако, того, что в реальн
Информационно-технологические системы диспансерного наблюдения
Автоматизированные системы диспансерных осмотров населения могут быть как самостоятельными (для поддержки первичной диспансеризации или массовых медицинских осмотров), так и являться составной час
Электронная история болезни
Электронная история болезни (ЭИБ) — это информационная система, обеспечивающая автоматизацию ведения и формирования медицинской документации, оперативный обмен между участниками ЛДП и поддержку и
Права доступа к информации и конфиденциальность медицинских данных
К информации БД медицинских ИТС в силу своей деятельности имеют доступ многочисленные пользователи — от врачей (и даже медицинских сестер) до руководителей здравоохранения различного уровня. И это
Концепции разработки информационных систем лечебных учреждений
За рубежом внедрение АИС учрежденческого уровня достаточно давно считается совершенно необходимой и естественной составляющей деятельности здравоохранения. В развитых странах АИС ЛПУ разрабатываю
Функциональное назначение учрежденческих систем
Основной целью информатизации ЛПУ является повышение эффективности их деятельности: улучшение качества профилактического и лечебно-диагностического процессов, сокращение времени на их проведение
Технологические решения
В настоящее время в крупных медицинских учреждениях России успешно внедряются несколько десятков различных АИС ЛПУ, разработанных с использованием разных технологических решений. Рассмотрим некот
Информационно-аналитические системы
Информационно-аналитическая система — это система, обеспечивающая наряду с процессами сбора, накопления, хранения, поиска и статистической обработки информации формально-содержате
Географические информационные системы
Географическая информационная (геоинформационная) система (ГИС) — это система визуального представления географически или координатно «привязанной» проблемно-орие
Федеральные системы мониторинга состояния здоровья
Федеральная информационная система мониторинга состояния здоровья — это комплекс проблемно ориентированных иерархических ИМС, включающих регулярно обновляемые персонифицированные базы медицински
Понятие электронного здравоохранения
Переход к электронному здравоохранению (e-Health) предполагает построение территориальных и глобальных сетей передачи медицинских данных и создание на этой основе единого информационного п
Принципы построения единого информационного пространства
Информационное пространство данных медицинского и социального плана для поддержки принятия решений клинического и организационного характера в зависимости от общей направленности включает информа
Подходы и первый опыт электронного здравоохранения
В настоящее время с учетом новых технических возможностей началось создание региональных и моделирование глобальных медицинских систем, позволяющих объединять автономно функционирующие в отдельных
Возможности электронного здравоохранения
Рассматривая понятие «электронное здравоохранение» как систему оперативного доступа к персонифицированной информации корпоративных систем или распределенных БД с использованием телекоммуникацион
ТЕРМИНОЛОГИЧЕСКИЙ СЛОВАРЬ
Автоматизированные рабочие места медицинских работников — комплексы, обеспечивающие ведение базы данных, обработку информации и поддержку процессов принятия решений в определенной
Хотите получать на электронную почту самые свежие новости?
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
Новости и инфо для студентов