Разработка информационных технологий компьютерных консилиумов для дифференциальной диагностики сердечно-сосудистых расстройств

• Автор: Петрова, Юлия Павловна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Воронеж
• Количество страниц: 149 с.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР И ПОСТАНОВКА ЗАДАЧИ НА ИССЛЕДОВАНИЕЮ

1.1. Современные компьютерные системы и технологии анализа данных и поддержки принятия решений в медицине

1.2. Механизмы гомеостаза вегетативно сосудистой системы и способы управления ими.

1.2.1. Анализ симтомокомплексов вегетативнососудистых

расстройств.

1.2.2. Механизм развития артериальной

гипотезии.

1.3. Дифференциальная диагностика гипотонических состояний.

1.4. Принятие диагностических решений в иерархических системах.

1.5. Цель и задачи исследования
ГЛАВА 2. СИНТЕЗ КОМПЬЮТЕРНЫХ КОНСИЛИУМОВ ДЛЯ
ДИФФЕРЕНЦИАЛЬНОЙДИАГНОСТИКИ.ВЕГЕТАТИВНОСОСУДИСТЫХ РАССТРОЙСТВ
2.1. Объект, методы и средства исследования
2.2. Разработка основных принципов формирования экспертных пространств и способов оценки компетенции диагностических алгоритмов компьютерных консилиумов при диагностики
2.3. Теоретические аспекты объединения диагностических алгоритмов в
консилиум
2.3.1. Оценка мощности пересечения компетенций экспертов
2.3.2. Разработка способа оценки объема обучающей выборки при классификации СВД
2.4. Синтез модели компьютерного консилиума на основе взаимодействия органов и функциональных систем с проекционными зонами, имеющими связь с синдромом вегетативнососудистой дистонии
2.4.1. Выбор пространства признаков и разработка алгоритмов
экспертных оценок
2.4.2. Определение информативных биологически активных точек и
синтез диагностических решающих правил по синдрому гипотензия
2.4.3. Алгоритм управления процессом диагностики и лечения синдрома гипотензии методами рефлексологии
2.5. Выводы второй главы.
ГЛАВА 3. ПРОГРАММНОТЕХНИЧЕСКОЕ И МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ВЫДЕЛЕНИЯ ИНФОРМАТИВНЫХ ПРИЗНАКОВ И ПРИНЯТИЯ РЕШЕНИЯ ПРИ ДИАГНОСТИКЕ СИНДРОМА ВЕГЕТАТИВНОЙ ДИСТОНИИ
3.1. Технические средства автоматизированной системы диагностики и терапии СВД АСДТСВД
3.2. Алгоритмическое обеспечение АСД СВД.
3.3. Процедуры обучения и классификации СВД
3.3.1. Алгоритмы диагностики СВД посредством опросников врача и пациента.
3.3.2. Разработка алгоритмов диагностики СВД на основе объективных показателей регуляторных систем
3.4. Решающие правила донозологической диагностики и определения степени тяжести синдрома гипотензии методами рефлексологии
3.5. Выводы третьей главы.
ГЛАВА 4. ИССЛЕДОВАНИЕ КОЛЛЕКТИВОВ КОМПЬЮТЕРНЫХ КОНСИЛИУМОВ НА ДИАГНОСТИКЕ СВД И АРТЕРИАЛЬНОЙ
ГИПОТЕНЗИИ
4.1. Исследование алгоритмов диагностики СВД на основе опросников врача и
пациента.
4.2. Исследование алгоритмов диагностики СВД на основе объективных показателей регуляторных систем
4.3. Исследование диагностических возможностей компьютерного консилиума.
4.4. Выводы четвертой главы.
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПСОК
ВВЕДЕНИЕ
Актуальность


Прогресс в области физиологии и медицины связан с новыми возможностями компьютерных исследовательских систем, поскольку они являются не только средствами статистической обработки данных, но и инструментом ме. В настоящее время сложилось два основных подхода к проектированию компьютерных систем в медицине. Первый подход направлен на решение вопроса документооборота в медицинских учреждениях и на формирование соответствующих систем управления базами данных, что позволяет освободить высокоинтеллектуальный медицинский персонал от рутинной работы и тем самым повысить качество медицинских услуг. Второй подход направлен на решение самих интеллектуальных задач и разработк автоматизированных систем поддержки принятия решений, которые, как правило, интегрируются в автоматизированное рабочее место АРМ врача специалиста. При реализации второго подхода особое значение имеет выбор пространства информативных признаков и определение продукционной модели или расстояния в нем. В предлагается упорядочивать признаки по их весу для решения дифференциальнодиагностических и прогностических задач с последующим исключением признаков с наименьшим весом и последующим суммированием отношения вероятностей оставшихся. Описанный прием называется неодно. Он породил множество табличных алгоритмов информационной поддержки клинических решений. Х, Х2,. ХП клинические, лабораторные и инструментальные данные, то клиническая ситуация это подмножество прямого произведения множеств СХ, 0Х2,. ХП, где СХХ область значений признака Х1 , 2,. Это подмножество тракгуется как образ в пространстве клиниколабораторных признаков Х, Х2,. Хи. Представление клинической ситуации среда болезни, состояния или экспериментальной сигуации в виде многообразия в п мерном пространстве клиниколабораторных данных, с точки зрения системного подхода, является важной предпосылкой м. Однако здесь мы сталкиваемся с проблемой нормирования пространства признаков. Пространство информативных признаков, как правило, формируется из трех источников больной пациент, врач, денные лабораторного и инструментального анализа. Такое признаковое пространство весьма трудно свести к единой шкале, поэтому вводятся различные системы нормировки, интегральных оценок и шкалирования. В связи с этим, на наш взгляд, целесообразно не приводить трудносопостовимые данные к единой шкале, а выделить группы более менее однородных данных и для каждой такой группы сформировать свое решающее правило, а затем суммировать полученные решения согласно соответствующего алгоритма. Классическая экспертная система должна содержать пять основных компонент интерфейс с пользователем, подсистему логического вывода, базу знаний, модуль приобретения знаний и модуль отображения и объяснения решений. Анализ существующих экспертных систем в медицине показал, что большинство из них ориентированы на решение специфических задач в узкой области знаний Модис, . Консультант2, Леди7, Хирург, Обезболивание, ДиалогД. ЕСЛИ ТО. Структура экспертных систем продукционного типа включает три основных составляющих базу правил, рабочую память и механизм вывода. Недостаток продукционных моделей связан с низкой робастностью, которая уменьшается по мере роста размерности пространства симптомокомплексов, поэтому в настоящее время в медицине используется достаточно большое количество методов распознавания образов. В медицине задача классификации сводится к определению отношения эквивалентности, которое выражает принадлежность объектов к какимлибо классам, рассматриваемым как самостоятельные семантические единицы . При построении алгоритмов распознавания классы эквивалентности могут задаваться исследователем, который пользуется собственными содержательными представлениями или использует внешнюю дополнительную информацию о сходстве и различии объектов в контексте решаемой задачи. Тогда говорят о распознавании с учителем. В противном случае, без привлечения внешней обучающей информации, задачи классификации называют автоматической классификацией или распознаванием без учителя.