Модели и методы вывода в многоуровневой компонентной советующей подсистеме в составе электронной истории болезни

Размещено на http: //www. allbest. ru/

Тюменский государственный университет, г. Тюмень

Модели и методы вывода в многоуровневой компонентной советующей подсистеме в составе электронной истории болезни

Петухов А.С. Аспирант кафедры компьютерной безопасности

Оленников Е.А. Доцент кафедры компьютерной безопасности, к.т.н.

Захаров А.А. Профессор кафедры компьютерной безопасности, д.т.н.

Annotatіon

The approach to development of the advising subsystems is considered in this clause. Such subsystems are carrying out diagnostics of diseases of patients by results of biochemical researches. The questions of integration of such subsystems in medical information system " Electronic case record " is considered here. The problems of the structured representation of a plenty of results of biochemical researches, definitions of diagnostic value of values of parameters, and also flexible change of architecture of an advising subsystem are solved.

В настоящее время идет активный процесс информатизации деятельности лечебно-профилактических учреждений (ЛПУ). В работу ЛПУ внедряются медицинские информационные системы (МИС) типа «Электронная история болезни». Следствием этого является накопление большого объема различной медицинской информации о пациенте в цифровой форме, удобной для обработки.

В результате появляются широкие перспективы, связанные с обработкой данных. Появляется возможность разработки разнообразных программных подсистем медицинской информационной системы, выполняющих анализ накопленной информации для научных исследований, формирующих разнообразные отчёты и т.д. [1, 3]. Перспективным направлением является внедрение в МИС «Электронная история болезни» советующих подсистем для помощи врачам при диагностике различных заболеваний. Это позволит при формировании заключения советующей подсистемой учитывать весь накопленный объем медицинских данных о пациенте в электронной истории болезни (ЭИБ) и, как следствие, повысить степень достоверности заключений.

В настоящее время создано большое количество различных медицинских экспертных систем [4]. Но интеграция таких систем с ЭИБ вызывает ряд трудностей. С одной стороны, большинство таких систем ориентировано на диалоговый режим работы, что не подразумевает взаимодействия с ЭИБ. А с другой стороны, большинство таких систем представляет собой самостоятельные программные продукты, при разработке которых не были заложены механизмы, обеспечивающие их гибкую модификацию. Поэтому актуальной задачей является разработка подхода к созданию экспертной системы, позволяющего гибко изменять её архитектуру.

Данный подход был реализован на практике при создании советующей подсистемы в медицинской информационной системе типа «Электронная история болезни». Данная советующая подсистема производит обработку биохимических исследований, содержащихся в ЭИБ пациента, и на основе данной обработки делает вывод о диагнозе пациента и/или состоянии его здоровья.

Отличительной особенностью диагностики заболеваний по результатам биохимических исследований, содержащихся в ЭИБ, является наличие большого количества результатов исследований, проведённых в разные моменты времени. Это, с одной стороны, позволяет увеличивать точность диагностики заболеваний, благодаря анализу ранее полученных значений показателей и динамики их изменения, но, с другой стороны, создаёт проблему обработки давно проведённых результатов биохимических исследований. В связи с этим, для представления результатов биохимических исследований необходимо создание модели вывода диагноза пациента. Данная модель должна включать в себя информацию о значениях биохимических показателей, полученных в разные моменты времени, и определение ценности данных значений показателей для диагностики заболеваний.

Естественно, что для диагностики заболеваний наивысшую ценность представляют только что полученные результаты биохимических исследований. Однако при отсутствии таковых диагностика заболевания и оценка состояния здоровья пациента могут быть выполнены и по недавно полученным результатам. Однако заключение, выведенное в ходе анализа таких результатов биохимических исследований, должно иметь меньшую достоверность. Это обусловлено тем, что значения показателей недавно проведённых результатов биохимических исследований могли измениться за время, прошедшее с момента их определения. Следовательно, для определения достоверности выведенного заключения необходима предварительная оценка текущей диагностической ценности анализируемых данных, которая, в свою очередь, зависит от времени, прошедшего с момента получения этих данных. При определении текущей диагностической ценности значений показателей необходимо учитывать также, что значения разных показателей биохимических исследований могут терять её по прошествии разных периодов времени. Так, например, значение показателя «глюкоза крови» может полностью потерять свою диагностическую ценность по прошествии нескольких дней, тогда как результат исследования крови на реакцию Вассермана может оставаться актуальным в течение многих недель.

Решением данных проблем стало введение коэффициентов достоверности для каждого выведенного заключения. Значения данных коэффициентов определяются по ряду факторов, одним из которых являются коэффициенты диагностической ценности тех значений показателей, в результате анализа которых были получены данные заключения. Подробнее метод определения величины коэффициента достоверности выведенного заключения будет рассмотрен ниже.

Для расчёта коэффициентов диагностической ценности значений показателей требуется некоторая функция диагностической ценности. По требованиям, предъявляемым к определению диагностической ценности, аргументами данной функции должно быть время, прошедшее с момента получения значений показателей, и коэффициент скорости снижения диагностической ценности значений показателя. Диагностическая ценность недавно полученных значений показателей значительно падает с течением времени, достигая значения, близкого к нулю. Близкое к нулю, а не нулевое значение, используется потому, что давно полученное значение показателя всё же может представлять диагностическую ценность при оценке совокупной динамики изменения значений этого показателя во времени. Данный процесс можно описать экспоненциальной зависимостью коэффициентов диагностической ценности от вышеперечисленных аргументов функции:

, (1)

где DCV - коэффициент диагностической ценности значения показателя; F - коэффициент скорости снижения диагностической ценности значений показателя; h - количество дней, прошедших с момента определения значения показателя.

Знания о диагностике заболеваний по биохимическим исследованиям представляются набором продукционных правил, что обеспечивает модульность знаний и простоту их модификации. Продукционные правила в разработанной советующей подсистеме состоят из предпосылки, следствия и коэффициента уверенности, введённого для выражения субъективной уверенности эксперта в истинности знания, формализованного в виде правила.

Точное выражение знаний эксперта требует наличия в предпосылках продукционных правил функций анализа значений показателя биохимических исследований, а также конъюнкций и дизъюнкций различных условий. Функции анализа значений показателя позволяют прослеживать динамику изменения значений заданного показателя, определять, выходит ли значение показателя за границы диапазона значений для здорового человека и т.п. Например, функция под условным названием «ДИНАМИКА» позволяет оценивать для заданного показателя тенденцию изменения его значений во времени.

Предпосылка правила состоит из конъюнкции или дизъюнкции условий, представляющих собой триплеты. Эти триплеты состоят из функции анализа значений показателя, анализируемого показателя и тестируемого значения. В случае совпадения значения функции, либо, если функции нет, значения показателя с тестируемым значением, триплет считается истинным. Следствием продукционного правила может быть либо заключение о состоянии здоровья пациента, либо о его диагнозе, либо о том и другом одновременно. Был предложен следующий синтаксис продукционного правила:

, (2)

где fi - функция анализа значений показателя либо «Нет»; ti - анализируемый показатель; vi - тестируемое значение триплета; CFП - коэффициент уверенности продукционного правила; Состояние, Диагноз - заключение о состоянии и диагнозе пациента соответственно.

В разработанной советующей подсистеме при выводе заключения не формируются цепочки продукционных правил. Это обусловлено тем, что для диагностики некоторого заболевания по значениям биохимических показателей достаточно одного продукционного правила.

Решением задачи представления большого количества значений биохимических показателей и применения к ним медицинских знаний для диагностики заболеваний стало построение модели вывода диагноза пациента. Модель вывода диагноза пациента представлена в виде семантической сети, состоящей из трёх частей: значений показателей биохимических исследований, правил и результатов вывода.

Для увеличения скорости анализа значений показателей биохимических исследований значения показателей и их названия представлены в виде деревьев, в корне которых находятся названия показателей, а листьями служат значения этих показателей, определённые в разные моменты времени. При этом, каждому значению показателя сопоставляется соответствующий ему коэффициент диагностической ценности. Результаты вывода - состояние пациента и его диагноз - также представлены в виде деревьев, корнями которых служат названия результатов вывода, а листьями являются выведенные заключения. В свою очередь, каждому заключению сопоставляется соответствующий ему коэффициент достоверности. Значения показателей биохимических исследований и результаты вывода связываются посредством продукционных правил. Для отсутствия необходимости поиска показателей, фигурирующих в предпосылке продукционного правила, последние представлялись в виде связей показателей с выводимыми результатами, образуя семантическую сеть. Так, предпосылка правила задаёт связи с показателями биохимических анализов, а следствие правила становится листом соответствующего дерева результата вывода. Таким образом, полученная семантическая сеть включает в себя два типа связей: связь «значение» и связь «вывод по правилу».

Рисунок 1 Полученная семантическая сеть

В основу метода расчёта коэффициентов достоверности следствия продукционного правила, которое и является выведенным заключением, был положен метод, аналогичный методу, используемому в системе MYCIN [2]. В методе MYCIN коэффициент уверенности следствия правила рассчитывается как произведение коэффициента уверенности самого правила и либо минимума коэффициентов уверенности условий предпосылки правила в случае их конъюнкции, либо максимума этих коэффициентов уверенности в случае их дизъюнкции.

В разрабатываемой советующей подсистеме коэффициентам уверенности MYCIN соответствуют коэффициенты диагностической ценности. Таким образом, заменяя в методе MYCIN коэффициенты уверенности условий предпосылки правила на коэффициенты диагностической ценности триплетов предпосылки, получаем формулу, которая и используется для расчёта коэффициентов достоверности следствия продукционного правила:

, (3)

где CFC - коэффициент достоверности следствия продукционного правила, CFП - коэффициент уверенности продукционного правила, DCi - коэффициенты диагностической ценности i-го условия предпосылки продукционного правила.

Однако коэффициент диагностической ценности триплета предпосылки правила может отличаться от коэффициента диагностической ценности значения показателя в том случае, если используется функция анализа значений показателей. Следовательно, необходима функция оценки диагностической ценности триплетов. Для решения этой задачи была предложена функция DCost, возвращающая 0, когда тестируемое значение триплета не содержится во множестве значений показателя, и не используется функция анализа значений показателя. DCost вернёт рассчитанный ранее коэффициент диагностической ценности в том случае, если проверяемое значение содержится во множестве значений показателя. В противном случае, когда используется функция анализа значений показателя, коэффициент диагностической ценности триплета рассчитывается как взвешенное скользящее среднее коэффициентов диагностической ценности значений показателя, анализируемых данной функцией. В качестве весов использовалась величина, обратно пропорциональная количеству дней, прошедших с момента определения значений показателей:

, (4)

где DC - коэффициент диагностической ценности триплета; f - функция анализа значений показателя; t - анализируемый показатель; v - тестируемое значение; DCV - коэффициент диагностической ценности значения показателя, h - количество дней, прошедших с момента определения значения показателя.

Для решения задачи разработки медицинской экспертной системы с возможностью гибкого изменения её архитектуры была спроектирована архитектурная модель многоуровневой компонентной вычислительной среды обработки и передачи медицинских данных. Данная архитектурная модель состоит из пяти уровней.

На первом уровне находятся компоненты, выполняющие физические операции над данными, автоматизированные в большинстве современных СУБД. Второй уровень играет роль универсального интерфейса доступа к базе данных. Компоненты этого уровня могут выполнять операции шифрования данных, проверки доступа и т.д. Со второго уровня на первый передаётся SQL-запрос, результат выполнения которого возвращается в формате XML. Третий уровень включает в себя компоненты, реализующие различные алгоритмы обработки данных. Основная задача компонентов этого уровня - сформировать SQL-запрос, передаваемый на второй уровень. На четвёртом уровне находятся визуальные компоненты отображения данных. Четвёртый уровень взаимодействует с третьим путём вызова описанных на этапе проектирования процедур получения данных. На пятом уровне данные визуальные компоненты группируются в пользовательскую консоль.

На основе описанной архитектуры вычислительной среды обработки и передачи медицинских данных была построена архитектурная модель многоуровневой компонентной советующей подсистемы, выполняющей анализ биохимических исследований, содержащихся в ЭИБ пациента.

Компонентами первого уровня данной модели являются база данных, содержащая электронные истории болезни пациентов, и база правил, включающая экспертные знания о диагностике заболеваний по результатам биохимических исследований. Компонентами второго уровня служат стандартные драйверы СУБД базы данных и базы правил соответственно. Компоненты третьего уровня выполняют считывание результатов биохимических исследований и непосредственно сам вывод советующей подсистемы. На этом же уровне находится компонент считывания и модификации продукционных правил. Четвёртый уровень данной модели состоит из визуального компонента советующей подсистемы и визуального компонента редактора правил. Данные компоненты группируются в пользовательскую консоль, представляющую собой Win32-приложение или web-интерфейс. При этом для каждого пользователя системы администратором назначаются права на использование того или иного визуального компонента.

Рисунок 2 Архитектура советующей подсистемы

Советующая подсистема, как и большинство экспертных систем, может функционировать в двух режимах: консультации и обучения.

Алгоритм работы советующей подсистемы в режиме консультации выглядит следующим образом: на первом шаге лечащий врач выбирает пациента, выполняя, таким образом, запрос на диагностику его заболевания советующей подсистемой. В ответ на это из базы данных ЭИБ считываются результаты биохимических исследований, а из базы знаний - правила вывода диагноза и состояния пациента.

Далее советующая подсистема оценивает коэффициенты диагностической ценности для всех считанных значений показателей. На следующем шаге при построении семантической сети происходит проверка на истинность предпосылки правил. Если предпосылки правил истинны, то происходит выполнение следствия правила, т.е. добавление нового листа, символизирующего выведенное заключение, в дерево диагноза и/или состояние здоровья и вычисление его коэффициента достоверности.

На последнем шаге советующая подсистема отображает на экране все выведенные варианты диагнозов пациента и состояний его здоровья с указанием коэффициентов достоверности для каждого из них. Однако окончательный диагноз пациенту ставит всегда только лечащий врач.

В режиме обучения лечащий врач или инженер-когнитолог используют редактор правил для добавления, изменения и удаления существующих правил. Редактор правил имеет графическую оболочку, предоставляющую функционал для удобной работы с продукционными правилами.

Таким образом, результатом работы стала разработка в составе медицинской информационной системы типа «Электронная история болезни» советующей подсистемы, производящей диагностику заболеваний пациентов и оценку состояния их здоровья по совокупности результатов биохимических исследований. Разработанная советующая подсистема имеет многоуровневую архитектуру, в которой каждый уровень представлен набором заменяемых компонентов, выполняющих специализированные функции.

медицинский электронный болезнь информатизация

Литература

1. Оленников, Е.А. Подходы к разработке медицинских информационных систем, снижающие затраты на их сопровождение и доработку [Текст] / Е.А. Оленников, А.А. Захаров // Выставка и конференция «Медицинские информационные технологии»: 3-й международный форум MedSoft-2007, 2007. - вып. 1. - С. 42-43

2. Уэно, Х. Представление и использование знаний [Текст] / Х. Уэно, Т. Кояма, Т. Окамото, Б. Мацуби, М. Исидзука. - М: Мир, 1989. - С. 186 -189.

3. Рот, Г.З. Проблемы организации и перспективы внедрения компьютерных технологий в многопрофильной больнице [Текст] / Г.З. Рот, В.Н. Денисов, Е.И. Шульман // Бюллетень Сибирского Отделения РАМН, 1998. - вып. 1. - С. 134 - 140.

4. Форсайт, Р. Экспертные системы: принципы работы и примеры [Текст] / Р. Форсайт - М: Радио и связь, 1987 - С. 14-23.

Размещено на Allbest.ru