Автоматизированная система количественной оценки операционного риска

Актуальное и". В настоящее время исследования и разработки в различных областях науки и техники нреднола1ают обработку больших объемов информации связанной с описанием состояния и поведения исслед>емых объектов. Это предполагает применение различных методов, а также поиск и создание моделей ее обработки. Вместе с необходимостью применения математических моделей для описания состояний и поведения объектов растут и требования к эффективности этих моделей. Эти вопросы являются особенно актуальными в таких областях как обработка аэрокосмической информации, геофизических, медико-биоло1ических данных и пр.

Анализ видов математических моделей [1], используемых в медицине, показал, что модели, отражающие процессы регулирования в биологических системах как процессы с обратными связями в виде замкнутых контуров регулирования или хотя бы как процессы с прямыми связями и уравнениями взаимосвязей между звеньями регулирующих систем, встречаются относительно редко. Этот факт по существу соответствует теоретическим концепциям биокибернетики, общей кибернетики и общей теории систем, согласно которым организм человека и высших животных относятся к очень сложным по своей природе системам с недетерминированным поведением. Поэтому из>чение патологических состояний человека ведется с позиций системною подхода, чаще всею, путем статистической проверки определенных I инотез.

На практике, при проведении планово! о лечения пациентов, основываясь на собственном опыте, врач — клиницист ставит диагноз, качественно оценивает степень тяжести состояния больного, оценивает риск проведения лечебных мероприятий [2]. В ситуациях с тяжело >С1анавливаемым или неясным диапюзом часто очень важно количественно оценить тяжесть заболевания, в то время как универсальных методов количественной оценки тяжести не существует.

Одной из наиболее важных проблем в современной медицине является сложность количественной оценки онерационною риска. Оценка операционною риска подразумевает оценку степени тяжести предоперационною состояния пациента при угрозе летального исхода или возможных послеоперационных осложнений [3]. Сложность оценки степени тяжести состояния обусловлена большим количеством симптомов, различных д 1я каждого заболевания и большой лабильностью клинических проявлений заболевания. На практике степень тяжести состояния пациента определяется качественно. При этом используется небольшой набор (5−10) симптомов или факторов риска, значения которых наиболее явно отражают заболевание пациента, в то время как менее значимые симптомы не учитываются. Поэтому одним из путей повышения эффективности оценки операционного риска является применение математических методов анализа данных и разработка проблемно-ориентированных систем обработки информации.

Данная диссертационная работа посвящена разработке автоматизированной системы для количественной оценки операционного риска при любом заболевании пациента. Разработка системы ведется с позиций системного подхода и основывается на применении известных математических моделей, адекватно описывающих состояние пациента. Исследования по количественной оценке операционного риска проводились на статистическом материале больных желчно — каменной болезнью (ЖКБ), прооперированных за последние 12 лет (1990 — 2002 п) в Больнице № 5 г. Барнаула. Выбор именно желчно — каменной болезни обусловлен её частотой и достаточно высокой послеоперационной летальностью при осложнениях. Создание такой системы позволит более точно оценивать степень тяжести предоперационного состояния при определенном заболевании пациента и своевременно проводить лечебные мероприятия. Использование проблемно-ориентированной системы поддержки принятия решений поможет повысить оперативность действий врачей — клиницистов и снизить уровень субъективизма при проведении лечения больных ЖКБ.

Состояние вопроса. Исследования по поиску математических моделей, наиболее эффективно отражающих поведение организма пациента в условиях патологии, ведутся не один десяток лет [3, 4, 5, 6, 7, 8]. Однако следует привести некоторые особенности имеющихся на данный момент достижений в области оценки тяжести состояний больных:

• большинство методик разрабатываются для конкретных заболеваний, и часто оказываются непригодными для ряда других;

• анализ данных ведется статистическими методами, а большинство выводов статистических исследований делается при условии нормальности распределений данных, что не справедливо для всех меди ко — биологических показателей;

• недостаточно хорошо изучена значимость многих факторов, оказывающих влияние на постановку диагноза, и часто в исследованиях изучаются лишь ге признаки, которые, по мнению врача, наиболее явно отражают заболевание- • из-за сложности обработки данных не всегда применяются наиболее мощные критерии и медики ограничиваются, например, линейным приближением или степенным уравнением. Цель исследования. Цель работы заключается в разработке эффективной математической модели интегральной количественной оценки тяжести предоперационного состояния больных ЖКБ, а также в разработке проблемно — ориентированной системы анализа медико-биологической информации и количественной оценки операционного риска. Основные задачи исследования:

1. Анализ известных методик количественной оценки степени операционного риска.

2. Исследование эффективности вероятностных и нейросетевых моделей для количественной оценки операционного риска больных желчнокаменной болезнью.

3. Разработка алгоритмов выделения комплекса факторов риска — набора наиболее значимых симптомов при оценке тяжести заболевания.

4. Разработка программного продукта, реализующего систему анализа клинико-лабораторных данных, поиска факторов риска и количественной оценки операционного риска для больных желчнокаменной болезнью.

Научная новизна работы заключается в достижении следующих научных результатов:

1. Обоснована эффективность совместного применения вероятностной и нейросетевой математических моделей для высокоточной и разносторонней количественной оценки степени операционного риска.

2. Предложены алгоритмы поиска и найден комплекс факторов рисканаиболее значимых признаков при оценке тяжести предоперационного состояния больных ЖКБ.

3. Разработаны нейросетевая и вероятностная модели количественной оценки операционного риска больных желчно-каменной болезнью.

Положения, выносимые на защиту.

1. Вероятностная и нейросетевая модели количественной оценки операционного риска, совместное использование которых позволяет провести высокоточный и разносторонний анализ клинико-лабораторных данных больных ЖКБ.

2. Алгоритмы выделения комплекса факторов операционного риска больных желчно — каменной болезнью, заключающих в себе основную диагностическую информацию.

3. Реализация автоматизированной системы количественной оценки операционного риска у больных желчно-каменной болезнью, позволяющая рассчитать степень тяжести предоперационного состояния больного, провести диагностику основных осложнений и спрогнозировать возможные исходы операции.

Теоретическая значимость результатов работы. Исследования по оценке операционного риска у больных желчно-каменной болезнью показали, что вероятностно-статистические и нейросетевые модели позволяют эффективно количественно оценивать тяжесть предоперационного состояния пациентов, а также выделять комплекс наиболее значимых симптомов при оценке тяжести заболевания. Вероятностно-статистические методы позволяют провести анализ распределений значений симптомов, выделить дифференциально-диагностические границы диапазона значений признаков, превышение которых существенно при рассматриваемой клинической ситуации. Нейросетевые методы анализа данных позволяют создавать высокочувствительные и высокоспецифичные структуры нейронных сетей, использование которых дает высокую точность при количественной оценке операционного риска. Таким образом, совместное использование вероятностных и нейросетеых моделей в автоматизированной системе количественной оценке риска позволяет провести высокоточный и разносторонний анализ данных. При этом вероятностные модели можно порекомендовать для быстрой, предварительной обработки клинико-лабораторных данных, в то время как нейросетевые методы — для более точного анализа информации при оценке операционного риска.

Предложенные в работе методы и модели интегральной оценки состояний объектов могут эффективно применяться также в биологии, экономике, технике и прочих предметных областях, в которых существует необходимость в обработке больших объемов слабо формализованных данных.

Практическая значимость результатов работы. Использование вероягностно-сгагистических и нейросетевых моделей составляет практическою основу для построения автоматизированной системы количественной оценки степени операционного риска. Рекомендации системы могут использоваться врачами для поддержки принятия решений о тяжести предоперационного состоянии больного желчно-каменной болезнью. Нейросетевая система расчета степени тяжести состояния может эффективно применяться не только для оценки степени операционного риска, но и для прогнозирования послеоперационных исходов у больных ЖКБ, а гакже можег осуществлять диагностику основных осложнений желчно-каменной болезни. Оценка риска, прогнозирование и диагностика могут осуществляться без привлечения высококвалифицированных экспертов в условиях периферических медицинских учреждений. Использование проблемно-ориентированной системы поддержки принятия решений может повысить оперативность принятия решений и снизить уровень субъективизма при проведении лечения больных ЖКБ.

Основные результаты диссертационной работы реализованы в виде программною комплекса «АСКОР» для оценки тяжести состояний больных ЖКБ, внедренною в двух медицинских учреждениях Алтайского края и использующеюся в медицинской практике.

Публикации. По теме диссертации опубликовано 14 печатных работ, в том числе 3 статьи в сборниках статей, 11 тезисов докладов на конференциях. Получена одна официальная регистрация программною продукта, реализующего экспертный модуль «АСКОР».

Апробация результатов. Основные положения и отдельные результаты исследования докладывались и обсуждались на международной конференции по математическому моделированию и информационным технологиям (Новосибирск, 2002), XII всероссийском научном семинаре «Нейроинформатика и ее приложения» (Красноярск, 2004), 3-й междисциплинарной конференции «ПБИТТ-21» (Петрозаводск, 2004), XIII всероссийском научном семинаре «Нейроинформатика и ее приложения» (Красноярск, 2005), XIV всероссийском научном семинаре «11ейроинформатика и ее приложения» (Красноярск, 2006).

Внедрение. Программа для ЭВМ Автоматизированная система количественной оценки операционного риска «АСКОР» была внедрена в двух клинических больницах Алтайского края. В Алтайском юсударственном университете на физико-техническом факультете в учебном процессе испольювалась реализованная в программе для ЭВМ модель диагноешки.

Оруктура работы. Во введении обоснована актуальность исследования, определены цели, задачи, объект, предмет, методы исследования. Раскрыты научная новизна, теоретическая и практическая ценность, сформулированы положения, выносимые на защиту. Указывается новизна разработок, апробация результатов и их внедрение.

В первой главе диссертационной работы «Методы математического моделирования в медицине» определены понятия операционный риск, диагностика и прогнозирование заболеваний, обозначена методика количественной оценки операционного риска. Рассмотрены математические модели, наиболее часто применяемые в медицине для оценки тяжести состояний и диагностики. Изложены основные идеи математического подхода, в рамках которого производится системный анализ и формализация процесса эмпирической диагностики. Также рассмотрены способы построения проблемно — ориентированных систем диагностики и оценки тяжести состояний пациентов с помощью вероятностно — статистических и нейросетевых методов.

Во второй главе диссертационной работы «Вероятностностатистические методы оценки операционного риска» приведены результаты исследований эффективности непараметрических вероятностностатистических методов анализа информации для количественной оценки операционной) риска больных желчно — каменной болезнью.

В третьей главе диссертационной работы «Нейросетевые методы оценки операционною риска» обосновывается выбор модели искусственных нейронных сетей (ИНС) для количественной оценки риска операции, рассматривается выбор оптимальной архитектуры ИНС. Также приводятся результаты количественной оценки операционного риска у больных ЖКБ, анализируется эффективность данного вида ИНС для оценки риска, и сравниваются методики обработки медико-биологических данных нейросетевыми моделями и вероятностно — статистическими методами.

В четвертой главе диссертационной работы «Автоматизированная система количественной оценки риска (АСКОР)» описывается архитектура и идеология системы, раскрывается назначение каждого объекта системы, определяется область применения системы.

В заключении формулируются основные результаты работы.

I. МАТЕМАТИЧЕСКИЕ МЕТОДЫ В МЕДИЦИНЕ

1.1. Применение математических меюдов в медицине

В медицине и смежных с ней областях математические методы используются для установления степени достоверности и обобщения информации, получаемой в ходе клинических, медико-биологических и лабораторных исследований.

Математические методы в медицине это совокупность приемов формализованного изучения процессов, происходящих в живых организмах, их популяциях, в сфере охраны здоровья, с использованием количественных способов описания явлений и объектов биомедицинской природы, а также связей между ними. Необходимость привлечения математических методов связана, в частности, с отсутствием иных возможностей преодолеть органически присущие изучению биологических объектов трудности: высок) ю вариабельность индивидуальных показателей состояния органов, физиологических систем, биохимических процессов целостного организма в норме и при патолог ии [ 1,10,12].

В развитии прикладных достижений математики в медицине можно выделить 5 основных групп методов, тесно связанных между собой и охватывающих большинство областей биомедицинской науки [9,10,11,12,13]:

1. Анализ клинико-лабораторных данных для выявления природы взаимосвязей показателей жизнедеятельности;

2. Планирование биомедицинских экспериментов;

3. Обработки медико-биологической информации для поддержки принятия решений и получения рекомендаций;

4. Математическое моделирование биомедицинских систем;

5. Реализации процессов управления объектами биомедицинской природы.

Анализ клинических, медико-биологических и лабораторных данных осуществляется с применением подходов теории вероятности и математической статистики. Такие подходы используются, например, для оценки достоверности различий результатов испытаний лекарственных препаратов в экспериментальной и контрольных группах [14]. Статистические методы важны как средство накопления и систематизации информации. При попытках обнаружения связей между наблюдаемыми показателями и для получения обобщающих выводов вероятностно-статисгические методы позволяют выдвинут!" и проверить (подтвердить или опровергнуть) содержательность гипотез о связи изучаемых процессов и явлений путем количественной оценки «силы» взаимосвязей [15,16]. Одним из важных достижений математических методов в медицине, основанных на статистике, является возможность формирования репрезентативных (представительных) выборок [17,18]. Путем ограничения числа объектов, подлежащих обследованиям, удается сэкономить значительные ресурсы (например, при эпидеми0л01ических исследованиях), получив интересующие характеристики явления на основе изучения ограниченного числа наблюдений (например, относительно малых контингентов населения при необходимости установления распространенности тою или иного заболевания).

К первой группе математических методов тесно примыкает так называемое планирование эксперимента — подход, позволяющий достичь поставленных целей наиболее рациональным и экономным способом [12]. При планировании эксперимента специалист (организатор здравоохранения, экспериментатор, врач-лаборант) указывает цель рабопл и характеристики объектов, подлежащие установлению, а математик-консультант определяет минимальное количество объектов, подлежащих исследованию для получения достоверных выводов, объемы измерений, частоту замеров и пр. Математические методы планирования в медицине получают распространение и в связи с ростом технической оснащенности учреждений здравоохранения дорогостоящими высокопроизводительными автоматизированными приборами (биохимическими анализаторами, полиграфами, компьютерными томографами и др.) и необходимостью их наиболее эффективного использования.

Особое направление применения в медицине имеет третья группа математических методов — для обработки медико-биологической информации и принятия решений (получения рекомендаций) на ее основе. Цель методов данной группы — повысить надежность и объективность принимаемых специалистами решений [10,13,19]. При этом, математические методы могут имитировать ход анализа данных или процедуры принятия решений врача либо исследователя, использовать с той же целью чисто математические способы обработки и анализа данных. Третья группа математических методов ориентирована на решение конкретных задач — выявление факторов риска, диагностику, прогнозирование, выбор оптимальной лекарственной терапии и др. Пели задачи диагностики или отнесения объекта исследования к определенному типу (классу) объектов решаются с применением ЭВМ, то говорят о машинной диагностике, автоматической классификации и др. Важное направление этой области математических методов связано с выбором наиболее удобного для специалиста представления информации. Хорошо известные методы систематизации и представления медико-биологических данных (таблицы, графики, номограммы, гистограммы) дополняются чрезвычайно наглядными формами визуального представления информации с помощью ЭВМ [20,21,22,23,24].

Четвертая группа математических методов включает самые разнообразные подходы, направленные на перспективу использования современных средств вычислительной техники и их уникальных возможностей для нужд практического здравоохранения, для решения наиболее актуальных вопросов теоретической медицины и биологии. Они охватывают ряд биомедицинских задач, которые поддаются математическому описанию, например, в виде уравнений, построенных на основе экспериментальных и клинических наблюдений и (или) теоретических соображений [25,26,27,28]. Совокупность уравнений, часто очень сложных, описывающих разнообразные аспекты функционирования объекта (организма, биологической системы) или взаимодействующих объектов, часто называют математическими моделями. Разработка и исследование математических моделей производится в рамках отдельного направления — так называемого математического моделирования. Математические модели наиболее эффективно применяются для изучения воздействия лечебных или повреждающих факторов на организм и отдельные ею системы, прогнозирования развития отдельных направлений медицинской службы и их оснащения ресурсами. Математические модели обсчитываются в различных вариантах на ЭВМ с использованием реальных (например, полученных непосредственно с обследуемого объекта) или ожидаемых теоретических характеристик моделируемых процессов [29,30]. Математические модели строятся и решаются на основе алгоритмовсистемы фиксированного числа правил, составляющих формальное описание содержания и последовательности решения задач конкретного типа [31,32,33].

Специализированные математические методы применяют для реализации процессов управления объектами биомедицинской природы [34,35]. Этими вопросами занимается отдельная наука — кибернетика.

Исходя из анализа литературы, для анализа клинико-лабораторных данных и планирования биомедицинских экспериментов уже более 50 лет с успехом применяются методы статистики и теории вероятности. Более того, применение вероятностно-статистических методов для выявления природы взаимосвязей показателей организма является общепринятым и широко используется в практике [36,37]. В то же время, для поддержки принятия решений в диагностике, прогнозировании и пр. применяются самые различные математические подходы. Количество публикаций по данному направлению постоянно растет, однако, общепринятых и широко используемых в клинической практике математических методов не существует. Причины этого носят достаточно сложный характер и постоянно дискутируются. Основные из них связаны с возможностями прикладной математики в медицине и с самой областью применения.

Во-первых, диагностика подразумевает некую количественную оценку состояния пациента, а в условиях большой вариабельности клинических проявлений, изменчивости параметров организма во времени довольно сложно анализировать весь комплекс клинико-лабораторных показателей, необходимых для постановки диагноза в условиях неопределенности [10,12]. Для принятия эффективных диагностических решений удобнее пользоваться небольшим числом параметров, адекватно характеризующих состояние организма. Полому ряд исследований, но применению математических методов в клинической медицине направлен на разработку и использование неких интегральных показателей состояния организма, разработку угрозометрических шкал, индексов тяжести и бальных оценок состояния больною [2, 6].

Во-вторых, применение для диагностики математических методов, и как следствие научно-технического прогресса, ЭВМ, имеет психологический аспект, связанный с характером работы врача. Врач является исследователем, и ею работа носит творческий характер, однако он несет прямую ответственность за результат своей деятельности. Принимая решение о диагнозе или лечении, он опирается на знания и опыт, свои собственные и коллег, являющихся для него авторитетом. Очень важно при этом обоснование решения, если оно подсказывается со стороны. Результат, подсказанный компьютерной программой, работающей по алгоритму, созданному другим человеком, во многом лишает исследователя творческой инициативы. Навязанное таким образом решение, даже будучи достоверным, психологически подвергается серьезному сомнению [38,39].

Наибольшее распространение в медицине для решения задач диагностики, назначении лечебных мероприятии, прогнозировании течения заболеваний и и исходов получили математические методы распознавания образов [40,41,42,43]. При этом состояние организма больного описывается набором значении клинико-лабораторных признаков, и образует некий образ состояния в пространстве показателей, описанный на математическом языке. Процесс распознавания, по с>ти, соответствует количественному сопоставлению образа состояния пациента образу распознаваемой патологии, полученный при обработке и анализе статистической информации, адекватно описывающей данное заболевание. Среди методов распознавания образов наиболее распространены следующие:

1. параметрические методы, решающие задачу в исходном пространстве признаковсреди них наиболее известны алгоритмы Кора и Форель, нахождение разделяющей гиперплоскости с помощью дискриминантной функции Фишера [44,45];

2. непараметрические методы, использующие введение вероятностной меры в пространстве признаковсреди них наиболее известны методы, опирающиеся на стратегии Байеса, Неймана — Пирсона и Вальда [46,47,48,49,50,51,52,53];

3. меюды, использующие технологию нейронных сетей [54,55,56,57,58].

Параметрические методы используются для оценки тяжести состояний пациентов, эффективности лечения, прогнозирования и выявления осложнений при различных заболеваниях [6, 7]. При этом для построения решающих правил используются кластерный анализ, критерии Стыодента и Вилкоксона, корреляционный и дискриминантный анализы [4]. Для изучения влияния различных факторов риска у детей при неотложных состояниях применяется дисперсионный многофакторный корреляционный анализ, что позволяет прогнозировать исходы лечения наиболее тяжелых больных [5]. Для оценки информативности признаков в [8] используют информационную меру Шеннона, адаптированную к выборкам малою объема, при помощи мноюфакторного анализа выявляются внутренние взаимосвязи между различными клинико-лабораторными показателями.

Параметрические модели основаны на статистически обоснованной аппроксимации эмпирических распределений известными вероятностными законами, чаще всего нормальным законом. Они являются наилучшим способом описания одномерных распределений признаков при условии, что }становлена близость данною эмпирического распределения к существующему теоретическому [42,45]. В противном случае применение данной модели является некорректным и может приводить к противоречивым выводам. Также, применяемые для распознавания образов при параметрическом подходе математические инструменты — Евклидово расстояние, расстояние Махаланобиса и др. — приводят к удовлег верительным результатам при выполнении обременительных условии (нормальности, однородности координат, большого расстояния между образами).

Непараметрические вероятностные модели составляют, пожалуй, наиболее многочисленную группу математических моделей распознавания образов, использ>емых до настоящею времени. При геометрической интерпретации они могут быть легко представлены в пространстве признаков [48,49]. Если изучаемые биообъекты характеризуются одним признаком, то это пространство одномерно, если двумя — двумерно и т. д. В пространстве признаков каждое наблюдение представлено изображающей точкой, группа наблюдений — скоплением точек. Бальные оценки состояния и функциональности организма, применяемые не один десяток лет, также относятся к вероятностным методам. Так, например, в [2] обсуждается разработка бальных шкал для оценки тяжести и прогнозирования исходов у хирургических больных. В [3] приводятся карта риска оперативных вмешательств, содержащая наиболее информативные признаки и балы, соответствующие наличию у пациента определенных градаций признаков. Для получения интегральной характеристики степени риска операции определена зависимость между суммой балов факторов риска и исходами оперативных вмешательств, выделены градации риска операции. В [37] разработана магематическая модель прогнозирования эффективности глюкокортикоидной терапии нефротической формы гломерулонефритом с использованием теоремы Байеса и последовательной процедуры Вальда. Рассматривается использование вероятностных моделей при обработке и интерпретации медико-биологической информации и при создании логико-математических алгоритмов для решения задачи прогнозирования развития патологии и выбора дифференцированной терапии [37].

Как отмечается в работах [46,47,49], согласно теоретическим концепциям биокибернетики, общей кибернетики и общей теории систем, организм человека и высших животных относятся к очень сложным, вероятностным, но своей природе системам. Поэтому применение непараметрических вероятностных методов для оценок состояния человеческою организма зачастую дает более удовлетворительные результаты, чем применение параметрических методов статистики.

Наиболее молодым и перспективным в области применения математических методов в медицине является направление технологи искусственных нейронных сетей. Основная составная единица любой искусственной нейронной сети — искусственный нейрон — функционирует подобно своему биологическому прототипу. В целом нейронные сети представляют собой объединения нейронов в определенные структуры и моделируют функциональность отдельных участков мозга.

Благодаря своим основным свойствам — обучаться и обобщать информацию, нейронные сети используются для распознавания образов, ассоциативной памяти, аппроксимации функций и др. В медицине нейросети применяют для решения задач диагностики, дифференциальной диагностики, прогнозирования, выбора стратегии и тактики лечения и др. Так, например, в работе [56] предлагается нейросетевая модель для прогнозирования исходов оперативных вмешательств по поводу ишемической болезни сердца. В [57] нейросетевая модель используется для определения лечебной тактики у больных язвенной болезнью. В [54] нейронные сети применяются для анализа влияния анастезиологических агентов на соматосенсорные пути. След>ет отметить, что правильно обученная нейронная сеть сама собой представляет решающее правило, по которому некоторый вектор входных данных в задаче диагностики или прогнозирования, может быть отнесен к одному из распознаваемых образов. Также нейронные сети способны анализировать диагностическую значимость признаков, значения которых подаются на вход сети. В работах [55,58,59,60] обсуждаются клинико-лабораторные показатели, диагностическая значимость которых оказывалась наибольшей, например, в приложении к желчнокаменным заболеваниям [59] или при прогнозировании осложнений инфаркта миокарда [55].

Богатый потенциал применения математических методов в медицине вместе с распространением дешевых и мощных ЭВМ позволяет разрабатывать диагностические и прогностические программные продукты, призванные осуществлять информационную поддержку медицинской деятельности [61,62,63,64,65]. Как показывает анализ литературы, за последние 10 лет значительно увеличилось количество и уровень компьютерных систем информационной поддержки в медицине [62,63]. Например, в [61] обсуждается информационная система поддержки принятия решений в магнитокардиографии, в работе [64] описывается автоматизированная информационно-аналитическая система

I Отологическая лаборатория". В работе [65] излагается концепция построения компьютерной системы электрокардиорграфической диагностики состояния сердечно-сосудистой системы на основе искусственных нейронных сетей.

Однако, несмотря на достаточно мощную математическую базу, некоторые из важнейших участков лечебно-диагностических технологий практически не используют возможности ЭВМ. Поэтому, одной из актуальных задач на сегодняшний день является разработка и внедрение информационных систем в медицине. Несомненно, это будет способствовать повышению качества диагностической информации, а также надежности и объективности принимаемых специалистами решений.

4.9. Выводы

Проведены исследования, но применению математических методов распознавания образов для количественной оценки операционного риска. В ходе исследований показана применимость к задаче количественной оценки риска вероятное пю-статистических методов и математического аппарата нейросетевых технологий. В результате исследований разработана компьютерная программная оболочка — Автоматизированная Система Количественной Оценки Риска (АСКОР), использующая вероятностные и нейросетевые методы распознавания образов.

АСКОР является экспертной объектно-модульной системой поддержки принятия клинических решений посредствам анализа нейросетевыми и вероятностно — статистическими методами клинико — лабораторных данных и извлечения знаний из эмпирической информации. Для применения при различных заболеваниях и клинических ситуациях создаются проекты системы. В режиме разработки проекта, посредствам взаимодействия эксперта-клинициста и компьютера, происходит создание семантическая прагматическая формализация поставленной задачи: это создание информационной системы бланков для ввода кинико-лабораторных данных больных, обработка статистических данных и формирование базы знаний, хранящей решающие правила распознавания состояний пациентов. Результатом обработки данных является основной объект системыкомпьютерный образ состояния, содержащий информационные структуры, отражающие взаимосвязи между интересующей клинической ситуации и эмпирической информацией. В режиме выполнения проекта АСКОР пользователь, посредствам общения с системой бланков, базой знаний и экспертным модулем получает всю возможную информацию для поддержки решения поставленных задач и достижения намеченных целей.

Таким образом, результатом проведенных исследований являются разработка и внедрение Автоматизированной Системы Количественной Оценки Риска способной:

1. Структурировать и формализовать эмпирические данные и знания медицинских экспертов — клиницистов;

2. Проводить обработку и анализ вероятностно-статистическими и нейросетевыми методами эмпирическою материала больных: качественных и количественных клинико-лабораторных признаков заболеваний;

3. Выявлять системные взаимосвязи симптомов заболевания и формировать наборы факторов риска — наиболее информативных признаков при количественной оценке 1яжести состояний больных;

4. Осуществлять информационную поддержку принятия клинических решений при диагностике, прогнозировании и оценке степени операционного риска.