Автоматизация процесса поддержки принятия решений позволяет лицу, принимающему решение (ЛПР), формировать наиболее оптимальные и приемлемые рекомендации для качественного управления объектом или процессом управления в условиях слабоструктурированной информации, многоальтернативности вариантов решений и многокритериальности при оптимизации. Теоретический базис принятия решений в настоящее время достаточно хорошо проработан – см., например, работы Орлова А.И. (в частности, [8]). Особую важность приобретает применение экспертных систем в составе автоматизированных систем поддержки принятия решений (АСППР) для решения задач, у которых высок риск принятия неадекватного решения, последствия которых могут привести как к уничтожению объекта, так и самой системы управления (кардиология, онкология, хирургия, энергетические объекты и системы, химические объекты и т.п.).
АСППР, как правило, имеет в своем составе базу знаний, позволяющую по определенным решающим правилам классифицировать объект или процесс управления к определенному кластеру состояний, для которого имеется некоторые множество корректирующих или управляющих воздействий, позволяющих управлять объектом как внутри кластера так и переводить его в другой кластер. Поскольку любой объект или процесс для ЛПР характеризуется определенным набором управляемых и управляющих характеризующих его признаков, то решающее правило в конечном итоге сводится к конструкции «ЕСЛИ F({x}) соответствует множеству условий {c}, ТО состояние объекта относится к классу G с уверенностью Р и к нему могут быть применены воздействия из множества {u}» (где х – регистрируемые признаки, с – возможные условия, u – возможные корректирующие и управляющие воздействия, F({х}) – функционалы, позволяющие применить к признакам х операции сравнения). Формирование данной конструкции основывается на методах теории распознавания образов, теории принятия решений, оценки риска, теории нечетких множеств, теории и инструментальных средств искусственного интеллекта. Назовем данную конструкцию «прямым решающим правилом».
В случае наличия большого количества признаков и многоальтернативности решений имеются решающие правила с конструкцией типа: «ЕСЛИ состояние объекта относится к классу G , ТО у него с уверенностью q должны присутствовать признаки {x} c определенными значениями (диапазоном значений) {RV} и оно управляемо воздействиями из множества {u}». АСППР с подобными конструкциями нашли меньшее применение. Назовем данную конструкцию как «обратное решающее правило».
Практически все АСППР используют либо прямые, либо обратные решающие правила (например, медицинские АСППР – [3]). Между тем, возникает проблема одновременного применения данных конструкций решающих правил с целью повышения надежности в адекватности рекомендаций СППР ЛПР и снижения риска принятия неправильного решения с катастрофическими последствиями для объекта или процесса управления.
Как отмечалось, к задачам, к которым предъявляются особые требования к качеству управляющих воздействий, относятся связанные в конечном итоге с жизнью человека. Среди медицинских проблем – это снижение смертности от сердечно-сосудистых заболеваний (первое место), травм (второе место), сахарного диабета. Смертность от травм связана с ростом количества венозных тромбоэмболических осложнений. Несмотря на это, в силу множества слабоструктурированных признаков, присутствие которых может говорить о высокой степени риска возникновения тромбов, решение ЛПР (врачом) принимается в настоящее время в основном на основе собственного опыта, опыта коллег и информационных источников без применения АСППР. В работах [9, 10] рассматривается экспертная система на основе прямых решающих правил, построенных с применением нечеткого решающего правила анализа лингвистической переменной, сформированной по определенным признакам.
В связи с этим, приобретает актуальность разработка методов и средств информационно-аналитической поддержки АСППР, позволяющих при формировании рекомендаций ЛПР одновременно применять прямые и обратные решающие правила.
Цель исследования
Разработка модели и метода информационно-аналитического повышения надежности решений, вырабатываемых АСППР при классификации объектов или процессов управления в условиях повышенных требований к адекватности сформированных рекомендаций ЛПР и слабоструктурированных исходных данных.
В процессе исследования решались задачи:
– разработка структуры информационно-аналитической модели принятия решений на основе одновременного применения решающих правил, позволяющих как по значениям признаков идентифицировать принадлежность объекта или процесса управления к определенному классу, так и по гипотезе о принадлежности к определенному классу осуществлять проверку наличия у объекта или процесса информационных характеристических признаков с приемлемыми классификационными возможностями;
– разработка метода оценки риска принятия классификационного решения при применении балльной метрики значений характеризующих признаков;
– формирование набора признаков, позволяющих прогнозировать тромбоэмболию при травмах и эндопротезировании на основе информационно-аналитической модели АСППР;
– формирование предложений по интерфейсу ЛПР и АСППР прогноза тромбоэмболизма.
Для реализации цели и решения исследовательских задач применялись следующие материалы и методы: теория принятия решений, системный анализ, методы синтеза решающих правил для АСППР, прикладной статистический анализ в медицине [6], теория проектирования и исследования систем автономного искусственного интеллекта [4], клинические данные прогноза развития тромбоэмболии.
Результаты исследования и их обсуждение
Для формирования заключения о принадлежности объекта или процесса управления к определенному АСППР имеет в своем составе набор (множество) признаков и базу знаний, состоящую из решающих правил, сформированных в процессе настройки АСППР на обучающей выборке и значения показателей качества (например, диагностические: чувствительность – ДЧ, специфичность – ДС, эффективность – ДЭ и т.п.), полученные на экзаменационной выборке.
Поскольку при решении практических классификационных задач часть признаков в ряде случаев может отсутствовать, то необходимо по возможности базу знаний заполнить решающими правилами всех возможных реализаций множества признаков (
, где K – количество возможных реализаций). Обозначим элементы указанного множества прямых решающих правил как 
и обратных решающих правил как 
(ωl – идентификатор класса l, 
, где J – количество обратных решающих правил, L – количество классов состояний объекта). Для 
и 
в базе знаний формируются соответствующие кортежи показателей качества 
и 
. В общем случае кортежи представляют собой наборы значений, применяемых в АСППР показателей качества (критериев адекватности и/или приемлемости) рекомендуемых решений согласно применения прямых и обратных решающих правил. Выбор решения по кортежам осуществляется по алгоритмам, реализованным в специализированной АСППР, согласно принципам оценки риска в многокритериальных задачах [5].
Процесс классификации в случае применения прямых и обратных решающих правил, существенно повышающий надежность в адекватности выбора необходимых корректирующих и/или управляющих воздействий, что особенно актуально в задачах с повышенным риском последствий и/или несвоевременности принятия решения, предлагается осуществлять одновременно по алгоритмам, реализующим следующие направления работы АСППР:
1. По зарегистрированным значениям известного для АСППР наблюдаемого набора признаков путем применения прямых решающих правил анализируемый объект или процесс управления соотносится к определенному классу ωl1 (в смысле оптимальности согласно кортежеам показателей качества 
), для которого определены управляющие и корректирующие воздействия.
2. Предполагается принадлежность объекта к определенному классу ωz. Применяется обратное решающее правило, результатом применения которого являются варианты наборов признаков 
с соответствующими показателями качества 
. Если признаки регистрируются у объекта или процесса управления, то осуществляется вычисление их значений согласно принятым в АСППР метрикам и правилам и, реализуя прямые решающие правила 
, осуществляется соотнесение объекта к классу состояний ωl2. Если классы ωz и ωl2 совпадают, то принимается вариант ωl2 и процесс классификации заканчивается. Если классы ωz и ωl2 не совпадают, то в качестве ωz принимается гипотеза о принадлежности объекта к классу ωl2 и процесс классификации по обратным решающим правилам продолжается со сменой набора признаков 
до тех пор пока не будут учтены все находящиеся в АСППР реализуемые наборы признаков с приемлемыми показателями качества 
или классы ωz и ωl2 совпадут.
В процессе одновременной реализации рассмотренных направлений АСППР возможно возникновение ситуаций:
1. АСППР не удалось соотнести объект к классу ωl1 (прямое решающее правило).
2. АСППР не удалось соотнести к классу ωl2 (обратное решающее правило).
3. АСППР соотнесло объект к классу ωl1 и ωl2, причем ωl1 и ωl2 совпадают (ωl1 = ωl2).
4. АСППР соотнесло объект к классу ωl1 и ωl2, причем ωl1 и ωl2 не совпадают (ωl1 ≠ ωl2).
Предлагаемые действия ЛПР при различных сочетаниях данных ситуаций представлены в таблице.
Действия ЛПР при различных вариантах классификации объекта АСППР
|
№ ситуации |
ωl1 |
ωl2 |
ωl1 ≠ ωl2 |
ωl1 = ωl2 |
Действия ЛПР |
|
1 |
+ |
+ |
– |
+ |
Согласно принадлежности объекта к классу ωl1 |
|
2 |
+ |
+ |
+ |
– |
Дополнительное исследование объекта и/или изменение набора признаков |
|
3 |
– |
+ |
– |
– |
Согласно принадлежности объекта к классу ωl2 и/или изменение прямых решающих правил |
|
4 |
– |
– |
– |
– |
Дополнительное исследование объекта и-или изменение набора признаков |
|
5 |
+ |
– |
– |
– |
Согласно принадлежности объекта к классу ωl2 или изменение прямых обратных решающих правил |
и/или изменение прямых и/или обратных решающих правил
и/или изменение прямых и/или обратных решающих правил
Риск принадлежности объекта или процесса управления к определенному классу ωl предлагается определять следующим образом.
1. Определяем риск по кортежам 
(формула (1):
. (1)
2. Определяем риск по «баллам важности» B(x) используемых при классификации признаков (значения B(x) рекомендуется шкалировать в одном диапазоне – например, от 0 до 10 по мере возрастания информационной значимости), которые определяются как экспертным путем, так и статистически (согласно положениям доказательной медицины [6]). Обозначим этот риск как Risk(B(x)). Признаки предварительно группируются по семантической нагрузке, образуя G групп, и для каждой группы задаются значения частных (групповых) рисков 
, где Mg – количество выделенных семантических групп. Значения Rgm определяются как экспертным путем, так и статистически – например, как частота встречаемости у объекта в классе в информативном доверительном интервале. Далее аналогично методике, изложенной в [1], оцениваются значения риска принадлежности к классу ωl по формулам (2) и (3).
, (2)
где Jm – количество учитываемых показателей в m-ой группе, Bm,j1 – балл, присвоенный j1-му признаку в m-ой группе, ORgm – итого вое значение риска в группе показателей m (с учетом всех баллов в группе).
. (3)
3. Определяем итоговое значение риска принадлежности объекта к классу ωl – 
– по формуле (4):
. (4)
Как отмечалось, АСППР при решении классификационных задач в настоящее время находят широкое применение в медицине в диагностическом процессе при наличии большой размерности признакового пространства и высокой ответственности ЛПР (врача) за последствия реализации неправильного решения на основе неадекватной диагностики (классификации состояния человека).
Структура информационно-аналитической модели принятия классификационного решения АСППР согласно предлагаемому методу представлена на рис. 1.
Рис. 1. Структура информационно-аналитической модели принятия решения АСППР по прямым и обратным решающим правилам. Где: МР-1 – модуль обратных решающих правил, МР – модуль прямых решающих правил, MQP-1 – модуль множества кортежей показателей качества для обратных решающих правил, MQP – модуль множества кортежей показателей качества для прямых решающих правил, БМП – база множества признаков, БДП – база данных признаков, МСНП – модуль сравнения наличия признаков, ЛПР – лицо, принимающее решение
Возможности предложенного подхода к построению АСППР были исследованы для прогноза тромбоэмболии при травмах и эндопротезировании.
В вычислительном эксперименте использовался опыт лечения 400 больных с травмами опорно-двигательной системы, находившихся на стационарном лечении в 1 и 2 травматологическом отделениях городской клинической больницы № 4 г. Курска, травматологическом отделении Курской областной клинической больницы, хирургическом отделении городской клинической больницы № 2 г. Курска, отделении сосудистой хирургии Курской областной клинической больницы, травматологическом отделении Орловской областной клинической больницы, травматологическом отделении городской клинической больницы № 1 г. Белгорода. В исследовании анализировалась информация о состоянии 490 человек с выделением групп [7]:
1 группа – больные с травмой, течение которой осложнилось развитием флеботромбозов различной локализации (200 больных с тромбозом глубоких вен (ТГВ) без тромбоэмболии легочной артерии (ТЭЛА) и 100 больных с ТГВ, осложненной ТЭЛА). Контрольная группа – больные с травмой, у которых возникновение глубокого венозного тромбоза не отмечено.
2 группа – больные с травмой, течение которой осложнилось развитием ТЭЛА (100 больных). Контрольная группа – больные с травмой, течение которой осложнилось возникновением флеботромбоза без развития ТЭЛА.
3 группа – здоровые добровольцы, у которых проводилось измерение давления внутри мышечно-фасциальных футляров голени и измерение объема голени с помощью программного аппаратно-диагностического комплекса [9] (90 человек).
Среди рассмотренных 400 больных: мужчин – 208 (52 %), женщин 192 (48 %), 308 (77 %) обследованных старше 40 лет, умерло 133 пациента (33 %).
В ходе анализа статистического материала, литературных источников и собственного опыта выявлено 159 признаков для диагностики возможного прогноза тромбоэмболии (эмболический тромбоз, неэмболический тромбоз, тип ТЭЛА, форма ТЭЛА, исход – смерть, выздоровление), на основании которых предлагается базовый интерфейс ЛПР с АСППР – представлен на рис. 2.
Рис. 2. Базовый интерфейс АС ППР прогноза тромбоэмболии при травмах и эндопротезировании
Признаки объединяются в 26 групп: ассоциирующие с больным факторы риска – 14 признаков, тип повреждения – 6 , кость – 13, ушибы сегмента ОДС – 8 , грудная клетка – 8, позвоночник – 7, растяжение связок или разрывов – 2, вывихи – 10, черепно-мозговая травма – 4, травма органов живота – 5, ожоги – 4, ЭКТ – 2, метод фиксации – 9, классификация ТЭЛА – 6, локализация тромба – 17, тип обезболивания – 4, метод репозиции – 5, местные осложнения – 6, анемия – 1, пробы – 6, давление – 3, нарушение венозной гемодинамики – 5, заинтересованный компартмент – 1.
В процессе проведения исследований диагностических возможностей АССПР были синтезированы нечеткие решающие правила прямого типа [7, 10], показавшие следующие значения показателей качества диагностики для:
– неэмбологенного тромбоза: ДЧ = 0,995, ДС = 0,76;
– эмбологенный тромбоз: ДЧ = 0,71, ДС = 0,97;
– ТЭЛА: ДЧ = 0,84, ДС = 0,97;
– летальный исход ТЭЛА: ДЧ = 0,94, ДС = 0,93;
– благоприятный исход ТЭЛА: ДЧ = 0,65, ДС + 0,98.
Примечание: результат по обратным решающим правилам совпал с диагностикой по прямым – см. таблицу (ситуация 1).
Анализ полученной информации показывает, что при посттравматическом тромбозе и ТЭЛА АСППР позволяет ЛПР с приемлемыми значениями диагностических чувствительности и специфичности проводить прогнозирование как ТЭЛА, так и ее исходов у больных с травмой.
Заключение
В процессе проведения исследований:
– разработана структура информационно-аналитической модели функционирования АСППР при работе со слабоструктурированными данными, отличающаяся одновременным применением прямых и обратных классификационных решающих правил, что позволяет повысить надежность рекомендаций ЛПР в принятии определенного решения по управлению объектом или процессом;
– рассмотрены различные варианты действий ЛПР в случае возникновения противоречий при применении прямых и обратных решающих правил, позволяющие оптимизировать его взаимодействие с АСППР и проведение дальнейших исследований;
– предложена методика расчета риска принадлежности объекта к определенному классу, отличающаяся учетом рисков применения прямых и обратных решающих правил и применения определенного набора признаков, представленных в балльной метрике, что позволяет учесть возникающие на различных этапах классификационного процесса риски;
– предложен набор 159 признаков для прогноза тромбоэмболизма с систематизацией по 26 группам, что позволяет оптимизировать осмотр пациента;
– разработано диалоговое окно внешнего интерфейса ЛПР с АСППР;
– исследованы возможности АСППР при различных вариантах тромбоза и ТЭСЛА – получены приемлемые для клинического применения результаты.
Полученные результаты (предлагаемые принципы функционирования АСППР) позволяют повысить надежность принимаемых решений в системе ЛПР-АСППР в условиях слабоструктурированных данных за счет получения непротиворечивой приемлемой классификации объекта и процесса управления путем одновременного применения прямых и обратных классификационных решающих правил и оценки риска формируемых АСППР рекомендаций с учетом риска применения как самих правил, так и набора признаков объекта, представленных в балльной метрике.