Автоматизированные системы медицинской диагностики и прогнозирования Статистические

Автоматизированные системы медицинской диагностики и прогнозирования

Статистические модели X Y …. Факторные признаки Результирующие признаки Метод Количественные Регрессионный анализ Качественные Количественные Дисперсионный анализ Количественные Качественные Дискриминантный анализ Качественные Вероятностный анализ

Вероятностные методы 0≤p≤ 1

Упрощенный пример диагностической таблицы Диагнозы Симптомы Инфаркт миока рда Перитонит Крупозная пневм ония Тромбоэмболия легочной артерии Априорная вероятн ость Боли в грудной клетке 0, 90 0, 05 0, 90 0, 59 Боли в животе 0, 30 0, 95 0, 40 0, 01 0, 42 Повышение температуры тела 0, 95 0, 80 0, 90 0, 65 0, 83 Понижение температуры тела 0, 01 0, 90 0, 95 0, 10 0, 49 Лейкоцитоз 0, 95 0, 83 0, 92 0, 04 0, 69 Нарушение сердечного ритма 0, 92 0, 01 0, 05 0, 10 0, 27 Повышение артериального давления 0, 50 0, 03 0, 05 0, 02 0, 15 Снижение артериального давления 0, 10 0, 05 0, 78 0, 85 0, 45 Шум трения перикарда 0, 86 0, 97 0, 95 0, 01 0, 70 Изменение кардиограммы 0, 98 0, 17 0, 15 0, 60 0, 48 Бледность кожи 0, 98 0, 83 0, 78 0, 90 0, 87 Общая заторможенность 0, 08 0, 50 0, 30 0, 10 0, 25 Учащение пульса 0, 50 0, 96 0, 99 0, 94 0, 85 Учащение дыхания 0, 03 0, 07 0, 01 0, 05 0, 04 Угнетение рефлексов 0, 01 0, 02 0, 10 0, 83 0, 24 Напряжение брюшной стенки 0, 02 0, 80 0, 10 0, 04 0, 24 Вздутие живота 0, 20 0, 95 0, 13 0, 15 0, 36 Общая слабость, головокружение 0, 50 0, 88 0, 95 0, 80 0, 78 Расширение границ сердца 0, 10 0, 01 0, 06 Шум трения плевры 0, 10 0, 01 0, 95 0, 10 0, 29

Информативность симптома Si относительно диагноза Dj равна log 22 = 1 бит

Для расчета вероятности каждого из группы диагнозов при заданном составе клинических признаков применяется метод Байеса

Формула Байеса Вероятность диагноза Dj , если известно, что наблюдается симптом Si, равна:

Наблюдается некоторый симптомокомплекс: Перемножение условных вероятностей отдельных клинических признаков с целью получения условной вероятности всего симптомокомплекса допустимо при условии их независимости друг от друга

Диагностика по методу Байеса Вероятности диагнозов Симптомы есть - 1 нет - 0 Инфаркт миокарда Перитонит Крупозная пневмония Тромбоэмболия легочной артерии 0, 99 0, 00 0, 01 0, 00 Боли в грудной клетке 1 Боли в животе 0 Повышение температуры тела 0 Понижение температуры тела 0 Лейкоцитоз 0 Нарушение сердечного ритма 1 Повышение артериального давления 1 0, 1035 0, 00000375 0, 0005625 0, 00025

Для дифференциальной диагностики (выбора одного из двух возможных диагнозов) при заданном составе клинических признаков применяется метод Вальда

Пороги принятия решения A, B определяются через допустимые вероятности ошибок α, β При α = β = 0, 05 A = 19, B = 1/19 = 0, 053

Диагностический балл (в патах) симптома Si при дифференциальной диагностике равен:

Модифицированный метод Вальда Пороги принятия решения: пат

Дискриминантный анализ а 1 Объект (а 1, а 2) относится к классу D 1 а 2

Количество функций классификации при дискриминантном анализе равно количеству классов (групп классификации). Каждая функция классификации соответствует своему классу. d 1 = a 0 + а 1 х 1+ а 2 х 2 + а 3 х 3 + … d 2 = b 0 + b 1 x 1 + b 2 x 2 + b 3 x 3 + … …………………….

Решение о принадлежности объекта принимается в пользу того класса, величина функции классификации которого максимальна

Кластерный анализ - набор алгоритмов поиска разделения массива объектов на кластеры (группы классификации) Метрика – формула, способ расчета расстояний между объектами и их группами в многомерном пространстве количественных признаков

Математическое моделирование

Метод Эйлера C 0 k = 0. 01 сут-1 С 0 Δс = - kc Δt ΔC c 1 – c 0 = - kc 0 Δt С 1 c 1 = (1 – k)c 0 Δt c 2 = (1 – k)c 1 Δt ………………. ПДК t 0 t 1 Δt t 2 t

Проблема идентификации Основная причина, препятствующая применению математических моделей в клинической практике – сложность определения значений коэффициентов в системе дифференциальных уравнений для конкретного клинического случая.

Индекс тяжести заболевания φ(t) = F(b, B, f, β) b – содержание в венозной крови свободного билирубина B - содержание в венозной крови связанного билирубина f - активность фруктозы 1 -фосфатальдалазы β – содержание β-липопротеидов

Экспертные системы

Экспертные системы обеспечивают: - консультации в определенной области на уровне знаний, превышающем уровень пользователя; - применение компьютерных технологий «искусственного интеллекта» ; - формирование базы знаний в форме систем эвристических правил; - пояснение рассуждений в процессе получения решения.

Блок-схема ПО экспертной системы пользователь Лингвистический процессор Объяснитель База данных База знаний Интерпретатор Накопитель знаний эксперт

Проблема формализации Основным фактором, определяющим эффективность экспертной системы, является полнота и непротиворечивость системы логических правил вывода, сформулированных на основе знаний и опыта экспертов.

MYCIN (США) – экспертная система по лечению инфекционных заболеваний с определенностью 0, 7 Пример продукционного правила: Можно предположить, что микроорганизм есть Bacteroides, если 1) Инфекция есть первичная бактериемия 2) Место культуры одно из стерильных мест организма 3) Предполагаемый путь проникновения - желудочно-кишечный тракт Атрибут – принадлежность Объект микроорганизм Значение Bacteroides

Тестовые задания по теме лекции

Вероятность события, когда нет никакой информации о других, связанных с ним событиях, называется |1. Априорной |2. Условной

Вероятность события, когда известно, что произошло другое, связанное с ним событие, называется |1. априорной |2. условной

Для расчета вероятности каждого из группы диагнозов при заданном составе клинических признаков применяется метод |1. Байеса |2. Вальда |3. Шеннона

Для дифференциальной диагностики (выбора одного из двух возможных диагнозов) при заданном составе клинических признаков применяется вероятностный метод |1. Байеса |2. Вальда |3. Шеннона

Перемножение условных вероятностей отдельных клинических признаков (с целью получения условной вероятности всего симптомокомплекса) допустимо при условии их взаимной |1. сопряженности |2. обусловленности |3. независимости

Пороги принятия решения в методе Вальда определяются через допустимые |1. вероятности ошибок |2. уровни информативности |3. значения диагностических баллов

Диагностический балл (в патах) симптома Si при дифференциальной диагностике равен |1. |2. |3.

Вероятность диагноза Dj, если известно, что наблюдается симптом Si, равна |1. |2. |3.

Информативность симптома Si, относительно диагноза Dj равна |1. |2. |3.

Количество дискриминантных функций при дискриминантном анализе равно |1. количеству классов (групп классификации) |2. количеству наблюдаемых признаков |3. количеству разделяющих поверхностей

Решение о принадлежности объекта принимается в пользу того класса, величина дискриминантной функции которого |1. минимальна |2. максимальна |3. равна нулю

К какому классу ( D 1 или D 2 ) следует отнести объект, значения признаков X 1, X 2 которого на рисунке равны a 1, a 2 |1. D 1 |2. D 2

Системный анализ структурными методами, предусматривающий количественное описание структуры и динамики физиологических процессов с помощью систем дифференциальных уравнений |1. математическое моделирование |2. экспертные системы

Системный анализ структурными методами, предусматривающий логическое описание структуры и содержания медицинских знаний с помощью системы продукционных правил (логических правил вывода)|1. математическое моделирование |2. экспертные системы

Основная причина, препятствующая применению математических моделей физиологических процессов в клинической практике: |1. сложность точного решения системы из многих десятков дифференциальных уравнений |2. сложность определения значений коэффициентов в системе дифференциальных уравнений для конкретного клинического случая |3. сложность достаточного описания физиологических процессов с помощью математических уравнений

Основным фактором, определяющим эффективность экспертной системы, является: |1. полнота и непротиворечивость системы логических правил вывода, сформулированных на основе знаний и опыта экспертов |2. качество алгоритмов поиска в базе знаний решения для конкретной задачи |3. удобство взаимодействия с пользователями, а также с разработчиками в процессе накопления знаний