Экспертные системы – основа технологии информатизации врачебной деятельности

     Рис. 2. Основная идея метода опорных векторов 

     4. Примеры использования экспертных систем в медицине 

     Примеры использования экспертных систем в  медицине нельзя назвать единичными, они применяются во многих областях здравоохранения. Примечательно, что  подавляющее большинство таких  работ выполнено зарубежными  исследователями и в основном они касаются возможностей использования  ИНС в различных клинических  ситуациях. Так, например, в области  хирургии P.L. Liew et al. на основе ИНС создали систему прогнозирования риска развития желчнокаменной болезни у людей с избыточной массой тела. Авторы ретроспективно изучили антропоморфометрические, анамнестические, клинические и лабораторные данные 117 пациентов с ожирением, прооперированных за период с февраля 1999 по октябрь 2005 г. Была построена ИНС, обученная алгоритмом обратного распространения. Использовались 30 входных переменных, включая клинические данные (пол, возраст, индекс массы тела, сопутствующие заболевания), лабораторные показатели и результаты гистологического исследования. Прогнозирующую ценность ИНС сравнивали с моделью логистической регрессии, обученной на той же базе данных. ИНС продемонстрировала лучшую прогнозирующую ценность и более низкую ошибку, чем модель логистической регрессии. Наиболее важные факторы риска желчнокаменной болезни, по данным обеих методик, — повышенное диастолическое артериальное давление, преморбидный фон, нарушение метаболизма глюкозы и повышение уровня холестерина крови.

     В эндоскопии A. Das et al. использовали нейросетевые технологии для сортировки больных с неварикозными кровотечениями из верхних отделов желудочно-кишечного тракта. Была исследована эффективность ИНС, обученной по клиническим и лабораторным данным 387 пациентов с изучаемой патологией, верификация — по данным 200 пациентов с проведением ROC-анализа. На выходе сети имелись две результирующие переменные: наличие или отсутствие признаков продолжающегося кровотечения и потребность в лечебной эндоскопии. Чувствительность нейронной сети составила > 80 %, прогнозирующая ценность – 92—96 %.

     В онкоурологии P. Bassi et al. прогнозировали 5-летнюю выживаемость пациентов, перенесших радикальную цист-эктомию по поводу рака мочевого пузыря. Для этого были разработаны и сравнены ИНС и модель логистической регрессии (МЛР). Выявлено, что единственными статистически достоверными предсказателями 5-летней выживаемости оказались стадия опухоли и наличие или отсутствие прорастания в соседние органы. Положительная прогнозирующая ценность МЛР — 78,6%, ИНС – 76,2%, отрицательная прогнозирующая ценность – 73,9% и 76,5% соответственно. Индекс диагностической точности МЛР – 75,9%, ИНС – 76,4%. Таким образом, прогностическая ценность ИНС оказалась сопоставимой с МЛР, но нейросеть продемонстрировала определенные преимущества: ИНС базируется на удобном в работе, понятном программном обеспечении, позволяющем выявлять нелинейные связи между переменными, поэтому она более предпочтительна для использования в прогнозировании.

     С. Stephan et al. применили ИНС для автоматизированного анализа биоптата предстательной железы. Методика основывалась на выявлении общего простат-специфического антигена (ПСА) и определении процента свободного ПСА. Чувствительность составила 95%, специфичность – 34%. При дополнении нейросети моделью логистической регрессии специфичность возросла до 95%.

     F. K. Chun et al. использовали ИНС для выявления группы риска рака предстательной железы в сравнении с МЛР. ИНС также продемонстрировала более точные прогностические возможности.

     В трансплантологии G. Santori et al. применили нейросетевые технологии в прогнозировании отсроченного снижения креатинина сыворотки крови у детей после трансплантации почки. Для выявления корреляции между входными переменными и искомым результатом у пациентов, подлежащих трансплантации почки, была создана искусственная нейронная сеть, обученная на 107 клинических примерах. Были отобраны наиболее важные переменные, коррелирующие с результатом: креатинин сыворотки крови в день пересадки, диурез за первые 24 часа, эффективность гемодиализа, пол реципиента, пол донора, масса тела в первый день после пересадки, возраст. Модель была откалибрована второй выборкой пациентов (n = 41). Точность нейронной сети в обучающей, калибровочной и проверочной выборках составила 89 %; 77% и 87% соответственно. Сравнительный логистический анализ показал общую точность 79%. Чувствительность и специфичность ИНС составили 87%, тогда как метод логистической регрессии продемонстрировал худшие результаты — 37% и 94% соответственно.

     В медицинской радиологии F. Dоhler et al. использовали нейронную сеть для классификации изображений МРТ с целью автоматизированного обнаружения гиппокампального склероза. ИНС была обучена на 144 примерах изображений и позволяла классифицировать изменения в ткани головного мозга относительно наличия склеротических изменений. E.E. Gassman et al. создали ИНС для автоматизированной идентификации костных структур и оценили надежность этой методики по сравнению с традиционными. Кроме того, сегментацию структур кости ИНС выполнила в 10 раз быстрее.

     В неврологии A.T. Tzallas et al. применили нейросеть для прогнозирования эпилептических приступов на основе анализа электроэнцефалограмм. Прогностическая точность метода составила 98 – 100 %.

     Разработанная нами нейросетевая модель предназначена для прогнозирования вероятности развития инфицированного панкреонекроза на основании данных, полученных при поступлении больного в стационар и в течение первых 48 часов госпитализации: точность результатов — 90%, специфичность – 96% . Используя эту модель, мы получили возможность уже на ранних сроках заболевания острым панкреатитом определить группу больных, угрожаемых по развитию инфицированного панкреонекроза с выбором адекватной лечебно-диагностической тактики.

     Кроме того, нейронная сеть позволила выделить 12 наиболее информативных показателей  для прогнозирования в ранние сроки заболевания инфекционных осложнений острого панкреатита:

• тип госпитализации в стационар (перевод из другой больницы);
• возраст больного;
• индекс массы тела;
• температура тела больного;
• частота сердечных сокращений;
• частота дыхательных движений;
• количество лейкоцитов крови;
• вздутие живота, определяемое в течение 24 часов от начала заболевания (повышенное внутрибрюшное давление);
• острые жидкостные образования и (или) свободная жидкость в брюшной полости, определяемые в первые 24 часа от начала заболевания;
• мочевина крови;
• глюкоза крови;
• отсутствие улучшения общего состояния больного в течение 24 часов комплексной интенсивной терапии (пациент «не отвечает» на проводимое лечение, рост количества баллов по шкале SAPS II).

     Технология  Data Mining (DM), включающая нейросетевое моделирование, метод опорных векторов и др., применена N. Horowitz et al. в разработке диагностической анкеты для выявления гастроэзофагеальной рефлюксной болезни. Авторами были обследованы 132 пациента, на основании полученных данных построена DM-модель, позволившая отобрать наиболее важные и достоверные признаки заболевания: изжога, отрыжка кислым, положительный эффект от антацидной терапии и ухудшение самочувствия после острой, жирной пищи. Чувствительность и специфичность данного метода составили 75% и 78%.

     Y.C. Lee et al. использовали DM-технологии для прогнозирования снижения массы тела после хирургического лечения ожирения. В работе ретроспективно учтены данные 249 пациентов (177 женщин и 72 мужчины), оперированных различными методиками. 208 больных (83,5%) в течение 2 лет после операции успешно снизили массу тела, тогда как у 41 (16,5%) эффекта не было. Созданная авторами DM-модель позволяет еще до операции выявить, будет ли после нее эффект и какой вид вмешательства предпочтительнее.

     Общей чертой, объединяющей все приведенные  выше примеры, является отсутствие единой универсальной технологии создания нейросетевых моделей. В публикуемых разработках используются самые разнообразные архитектуры и алгоритмы функционирования экспертных систем. Это приводит к тому, что почти для каждой задачи разрабатывается своя собственная архитектура, а зачастую – некоторый уникальный алгоритм или уникальная модификация уже существующего алгоритма. С точки зрения практического применения такие экспертные системы почти не отличаются от традиционных программ принятия решений. Более того, предложены методы автоматизированного преобразования традиционных экспертных систем в нейросетевые. Их разработка требует участия специалистов по нейроинформатике, а возможности конструирования пользователем практически отсутствуют. Это делает такие системы дорогими и не очень удобными для практического применения, поэтому в публикациях авторы в основном сравнивают качество работы нейросетевых алгоритмов и традиционных систем, работающих по правилам вывода.

     Таким образом, на основании анализа публикаций о применении экспертных систем в  медицине можно сделать следующие  выводы:

     1. Медицинская нейроинформатика как наука находится пока на стадии накопления фактического материала.

     2. Нейронные сети обладают чертами,  так называемого искусственного  интеллекта. Натренированные на  ограниченном множестве обучающих  выборок, они обобщают накопленную  информацию и вырабатывают ожидаемую  реакцию применительно к новым  данным, не используемым в процессе  обучения. Несмотря на значительное  количество уже известных практических  приложений, возможности дальнейшего  использования подходов, основанных  на методах искусственного интеллекта, их эффективность окончательно  не изучены.

     3. Современные технические возможности  позволяют выйти на качественно  новый уровень представления  течения заболевания, а именно  на основе экспертных автоматизированных  технологий смоделировать типовое  развитие патологического процесса. Экспертные компьютерные медицинские  системы позволяют врачу не  только проверить собственные  диагностические предположения,  но и обратиться к компьютеру  за консультацией в трудных  диагностических случаях. 

      Библиография 

1. Андрейчиков  А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. – М.: Финансы и статистика, 2006.

2. Боровиков  В.П., Ивченко Г.И. Прогнозирование  в системе Statistica в среде Windows. – М.: Финансы и статистика, 2006.

3. Гельман В.Я. Медицинская информатика: практикум. – СПб.: Питер, 2002.

4. Горбань  А.Н. Методы нейроинформатики. — Красноярск, 1998.

5. Горбань  А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Нейроинформатика. — Новосибирск: Наука, 1998.

6. Дюк В.А., Самойленко А.П. Data Mining: учебный курс. — СПб.: Питер, 2001.

7. Дюк В.А., Эмануэль В.Л. Информационные технологии в медико-биологических исследованиях. – СПб.: Питер, 2003.

8. Жарко  В.И., Цыбин А.К., Малахова И.В. и др. // Вопросы организации и информатизации здравоохранения. — 2006.— № 4. – С. 3—7.

9. Жарко  В.И. // Мед. вестник. – 2008. – № 9 (843). – С. 2.

10. Литвин  А.А., Жариков О.Г., Сенчук Г.А. и др. // Проблемы здоровья и экологии. – 2007. – №2 (12). – С. 7–14.

11. Медведев  В.С., Потемкин В.Г. Нейронные сети. Matlab 6. — Диалог-МИФИ, 2002.

12. Осовский С. Нейронные сети для обработки информации / пер. с польск. – М.: Финансы и статистика, 2004.

13. Чубукова И.А. Data Mining. — М.: БИНОМ. Лаборатория знаний, 2008.