Научный журнал

Современные наукоемкие технологии

ISSN 1812-7320

"Перечень" ВАК

ИФ РИНЦ = 0,940

• Авторы
• Резюме
• Файлы
• Ключевые слова
• Литература

Артеменко М.В. 1 Добровольский И.И. 1 Мишустин В.Н. 1

---

1 ФГБОУ ВО «Юго-Западный государственный университет»

Целью работы являлось рассмотрение вопросов разработки структуры информационно-аналитической модели процесса поддержки принятия решений классификационных задач при анализе и управлении состоянием объекта или процесса на основе одновременного применения решающих правил, позволяющих: как по значениям характеристических признаков диагностировать объект исследования, так и по предполагаемой принадлежности объекта к определенному классу определять набор признаков, обладающий наилучшими классификационными возможностями, Рассматривается методика оценки риска принятия классификационных решений в случае применения балльной метрической шкалы задания признаков. Приведен пример набора признаков для прогноза тромбоэмболии и базового интерфейса соответствующей автоматизированной диагностической системы.

Статья в формате PDF

2876 KB

решение классификационных задач

автоматизированные системы поддержки принятия решений

оценка риска принятия решений

тромбоэмболия

1. Артеменко М.В. Синтез диагностических правил заболевания в условиях массового обследования населения / Медико-экологические информационные технологии – 2015: сб. мат. XVIII Междун.начн.-техн. Конф. (Курск, 20–22 мая 2015). – Курск, 2015. – С. 126–130.

2. Башмаков А.И., Башмаков И.А. Интеллектуальные информационные технологии: учеб. пособие. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. – 304 с.

3. Воронцов И.М., Шаповалов В.В., Шерстюк Ю.М. Здоровье. Опыт разработки и обоснование применения автоматизированных систем для мониторинга и скринирующей диагностики нарушений здоровья. – СПб.: ООО «ИПК «Коста» Б, 2006. – 432 с.

4. Жданов А.А. Автономный искусственный интеллект. – М.: БИНОМ. Лаборатория знаний, 2009. – 359 с.

5. Жуковский В.И, Жуковская Л.В. Риск в многокритериальных и конфликтных системах при неопределенности. – М.: Изд-во ЛКИ., 2010. – 272 с.

6. Клюшин Д.А., Петунин Ю.И. Доказательная медицина. Применение статистических методов. – М.: ООО «И.Д. Вильямс», 2008. – 320 с.

7. Мишустин В.Н. Глубокие венозные тромбозы и тромбоэмболия легочной артерии: диагностика, прогнозирование рисков, лечение в раннем периоде травматической болезни: дис…доктора мед. наук. – Курск. 2000. – С. 162–253.

8. Орлов А.И. Теория принятия решений: учебник. – М.: Изд-во «Экзамен», 2006. – 573 с.

9. Распознающий аппаратно-программный диагностирующий комплекс // Приборостроение. – 2005. – № 2. – С. 22–25.

10. Труфанов М.И. Автоматизированное прогнозирование тромбоэмболии легочной артерии на ранней стадии на основе нечеткой логики // Системный анализ и управление в биомедицинских системах. – 2004. – № 3. – С. 204–206.

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

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.

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.

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.

Библиографическая ссылка