Система поддержки принятия решений по управлению лечебно-диагностическим процессом в рефлексотерапии

• Автор: Горобец, Юрий Николаевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2001
• Место защиты: Курск
• Количество страниц: 193 : ил

СОДЕРЖАНИЕ
Введение

1. Аналитический обзор и постановка задачи на исследование

1.1 Реализация систем поддержки принятия решений по управлению лечебнодиагностическими процессами.
1.2 Использование методов и средств рефлексологии для управления состояния здоровья человека

1.3 Цель и задачи исследования

2. Разработка моделей взаимодействия органов и функциональных систем с

проекционными зонами.

2.1 Модели взаимодействия органов и функциональных систем с внемеридианными проекционными зонами

2.2 Организация меридианных и межмеридианных взаимодействий

2.3 Меридианные модели взаимодействия органов и функциональных систем с проекционными зонами.
Выводы второй главы
3. Разработка методов и средств поддержки принятия решений для автоматизированного рабочего места врачей рефлексотерапевтов
3.1 Методы синтеза нечетких решающих правил по электрическим характеристикам проекционных зон
3.2 Алгоритм принятия решений по контролю и коррекции состояния здоровья методом электрорефлексологии
3.3 Структура системы интеллектуальной поддержки принятия решений
врача рефлексотерапевта
Выводы третьей главы ,
4. Результаты экспериментальных исследований
4.1 Синтез решающих правил для диагностики заболеваний сердечнососудистой системы
4.2 Синтез решающих правил для диагностики заболеваний дыхательной системы
4.3 Синтез решающих правил для диагностики заболеваний желудочнокишечного тракта .
Выводы четвертой главы
Заключение
Список литературы


Проблема выбора типа решающих правил для решения конкретной задачи распознавания и, в частности, для решения задач медицинской диагностики не является тривиальной и зависит от совокупности разных факторов: от типа и характера измерительных шкал, геометрической структуры многомерных данных, объема обучающего материала, возможности иметь точные указания учителя для обучающей выборки и т. В медицинской практике большой процент диагностических задач формируется так, что для получения требуемого результата используются эмпирические (эвристические) правила. Такая ситуация характерна, в основном, для описательных наук (к которым относятся медицинские науки), в которых для получения результата используются обычно не вычисления, а последовательность рассуждений. Результат при этом представляется в виде некоторого суждения, устанавливающего принадлежность объекта к соответствующему классу. В результате обычно строится иерархическая древовидная структура, "корнем” которой является наименование нозологической формы, а конечными элементами - признаки болезни, значения которых выявляются при обследовании пациента различными способами (опрос, осмотр, лабораторные исследования и т. Подробно механизм получения логических решающих правил для задач медицинской диагностики изложен в работе [ 1 ]. В ситуации, когда используется вероятностное задание признаков и классов, решается вопрос о возможности или целесообразности построения наилучших решающих правил на основе детального анализа признакового пространства путем построения функций плотности вероятности и получения надежных оценок априорных вероятностей. Классифицируемый объект считается принадлежащим к тому образу, плотность объектов которого наивысшая в данной точке пространства описания. Однако, на практике плотности распределения вероятностей, особенно в поликлинических приложениях, получить очень сложно, поэтому формируются специальные таблицы экспериментальных данных (ТЭД) ограниченного объема (обучающие выборки) с известной классификацией. По обучающим выборкам могут быть восстановлены или оценены функции плотностей вероятностей, по которым и строятся соответствующие решающие правила. Однако, как показывают многочисленные практические исследования, для решения широкого круга медицинских задач, признаковое пространство которых можно рассматривать как многомерное гиперпространство, достаточно иметь алгоритмы распознавания трех типов: основанные на локальной оценке плотностей без задания явного вида решающих правил - ближнего соседа, средней связи и т. Вопросы построения математического обеспечения для автоматизированных систем поддержки принятия решений для врачей различного профиля достаточно подробно рассматриваются и в работе []. Теоретические и экспериментальные исследования показывают, что при решении сложной задачи автоматизированной диагностики и управления состоянием здоровья человека хороших результатов удастся достичь при использовании интерактивных (экспертных) систем, обеспечивающих комплексный подход к решению поставленной проблемы, когда в контуре управления активно функционирует лицо принимающее решение (ЛПР), обладающее соответствующим запасом знаний, умений и навыков в медицинской предметной области [5, , , , , , , , , , , 2, 3]. HODGKINS, HEADMED, VM и др. Некоторые системы обладают способностью улучшать свое качество в процессе своего функционирования. Опыт применения таких систем показывает, что некоторые из них функционируют лучше, чем консультанты- медики. Однако следует отметить, что при всех своих достоинствах существующие системы, даже в рамках одной предметной области - медицины, ориентированы, в основном, на решение своих специфических задач в узкой области знаний [1, , 6, 6, 7, 8, 9, 2, 5, 6]. Например, система МОДИС предназначена для анализа причин гипертонии, система КОНСУЛЬТАНТ - для диагностики острых заболеваний брюшной полости, ЛЕДИ-2 - выявления заболеваний терапевтического профиля, "Обезболивание" - для определения метода анестезии при стоматологических вмешательствах, "Хирург" - для оценки знаний и навыков врача, ДИАЛОГ-Д - для решения консультативно-диагностических задач на примере диспансерного учета рабочих "пылевых" профессий [5, , , 3]. Широко известная система MYC1N предназначена для поддержки принятия решений при диагностике и лечении определенных классов инфекционных заболеваний [6, 0].