Автоматизированный интеллектуальный консультант врача уже сегодня становится реальностью

05-12-2012

Развитие автоматических технологий (АТ) обработки мед инфы идет по пути все более глубочайшей переработки «информационного сырья», в итоге чего «информационный продукт» все в основном отличается от начального состояния инфы [6].
Решение этих задач требует обработки больших объемов клинической информации, содержащейся в хранилищах данных.

Особенность используемых при всем этом алгоритмов заключается в том, что при их создании необходимо учитывать организацию источника клинических данных, их значительный объем и большие размерности задач. Одно из важных требований к алгоритмам связано с обеспечением их масштабируемости.

Процесс ИАД в АКИИСС включает четыре основных этапа. Кандидатурой централизованному проектированию и внедрению клинических программных систем является идеология открытых автоматических клинических систем, при которой над развитием системы сразу и независимо друг от друга работают очень многие, время от времени тыщи разработчиков, не придерживающихся какого-нибудь 1-го плана, но подчиняющихся неким общим правилам.

Саморазвивающиеся открытые системы делают вроде бы информационную среду общего доступа к потокам мед данных, в развитие которой могут заносить собственный вклад разработчики и даже юзеры, независимо от собственного места нахождения [2,5,6].
По такому принципу создавалась автоматическая клиническая информационно-интеллектуальная справочная система (АКИИСС) [7,8,9].

При разработке АКИИСС разработчики оперировали такими основополагающими понятиями, как:
• общие справочные данные, общие мед данные, спец клинические данные и т.д.;
• факт установления клинического признака (симптома), смысловая черта симптома (синдрома), его проявления, выраженность, анатомическая особенность и т.д.;
• связи 1-го клинического признака с другими клиническими проявлениями, симптома с болезнями, заболевания с анатомическими переменами, течения с проявлением, стадий с формированием новых симптомов и т.д., анализ взаимодействия, управление потоками информационного структурирования клинических данных и т.д.
От того, какое конкретное содержание вкладывается разработчиками в данные понятия, самым значимым образом зависят и подходы к созданию математических моделей, структур данных и алгоритмов функционирования АКИИСС.

Неувязка заключается в том, что смысловое содержание этих понятий в большинстве случаев не конкретизируется. И это не случаем.

Одной из главных обстоятельств этого положения дел будет то, что конкретизировать смысловое содержание многих клинических понятий представляется вероятным только на базе аксиоматико-дедуктивного способа и отлично обоснованной концепции смысла. Но, как это ни умопомрачительно и феноминально, но реальные разработчики АКИИСС это арифметики и программеры, в большинстве случаев недостаточно знакомы с схожими концепциями.

Нам удалось решить эти задачки утвердительно, привлекая разных профессионалов, более того, АКИИСС содержит информацию о системе в целом в каждой собственной части определенного уровня структурной иерархии:
– диагноз (болезнь) с симптомами и синдромами, симптомы (синдромы) с анатомическими образованиями, выраженностью поражения и расположением объектов исследования, степенями конфигураций и стадиями образований патологических процессов и т.д.;
– нелинейные динамические системы;
– высокоорганизованные системы с большой обоюдной информацией в собственных частях, удачно противостоящие закону возрастания энтропии.
При построении медицинской умственной встроенной справочной системы главным способом идентификации симптома и/либо синдрома (хоть какого клинического признака) является дифференциально-диагностическая матрица (ДифДиагМат) [8,9].

Сущность концепции ДифДиагМата сводится к понятию смысла Шенка-Абельсона, который заключается в том, что факты рассматриваются как предпосылки и их смысл считается известным, если известны последствия данного факта. Таким макаром, осознание смысла определенных определенных клинических данных заключается в выявлении причинно-следственных взаимосвязей меж этими данными и другими.

Но АКИИСС, это не только лишь автоматическая система дифференциальной обработки общих мед и специализированных клинических данных в он-лайн режиме, да и система анализа проявления клинических конфигураций на органном уровне, со способностью прогнозирования течения заболевания, уточнение его степени, стадии и формы проявления, помощи в подборе исследовательских способов исследования, фармацевтической и другой терапии. В этой системе учтена возможность диагностического сочетания разноуровневых исследовательских работ для проведения всеохватывающих целительных мероприятий.

К примеру: данных психофизиологических и психосоматических исследовательских работ с плодами клинических и инструментально-лабораторных исследовательских работ. Например, категориальную переменную «головная боль», принимающую значения из множества («достоверна», «вероятна», «точная», «не возможна»), можно заменить набором логических переменных Z1, Z2, Z3, Z4.

Из множества свойств должны быть исключены избыточные и малоинформативные элементы, остальные обязаны иметь связанные дополнительные уточняющие данные. Малоинформативными являются свойства, имеющие одно и то же значение почти для всех записей, также свойства, количество значений которых приближается к числу записей [10,11].

Таким макаром, использование в АКИИСС ИАД позволяет обеспечивать информационно-интеллектуальное сопровождение лечебно-диагностического процесса, оказывая клиницисту поддержку в виде:
• предоставления результатов дифференциации при получении множества клинических признаков по диагнозам, симптомам, синдромам, анатомическим образованиям, анатомическим расположениям, выраженностью, условиями формирования изменений и т.д. в он-лайн режиме;
• выдачи общих и специфических симптомов и синдромов по предоставленным диагнозам в он-лайн режиме;
• выдачи наиболее достоверных показателей лабораторно-инструментальных исследований по предоставленным диагнозам в он-лайн режиме;
• составления форм стандартного обследования пациента при множестве дифференциальных диагнозов, выделяя наиболее целесообразные и рациональные методы исследования в он-лайн режиме;
• составления форм стандартного/типового лечения пациента по предоставленным диагнозам в он-лайн режиме;
• составления форм стандартного/типового санаторно-курортного лечения по предоставленным диагнозам (формирование – аналогично предыдущему) в он-лайн режиме;
• автоматического информирования о общих и специфических противопоказаний в видах лечения по предоставленным диагнозам в он-лайн режиме;
• автоматического анализа лекарственного взаимодействия и противопоказаний по предоставленному фармакологическому (препаратному) лечению в он-лайн режиме;
• автоматического анализа соответствия назначенных курсов лечения (препаратов) предоставленным диагнозам и совместимости курсов лечения (препаратов) между собой в он-лайн режиме.
2. Григорьев П.А.

Методы интеллектуального анализа данных в предметных областях с частично детерминированными свойствами объектов: Автореф.дисс. … канд. техн. наук. — М.: РГГУ, 2000. — 24 с.
Административные метаданные отражают сведения, необходимые для инсталляции и эксплуатации хранилища.

Они описывают OLTP-БД, служащие источниками для OLAP, схемы данных хранилища, измерения гиперкубов, физическую организацию данных, формы стандартных отчетов, полномочия пользователей, типовые запросы и др. Операционные метаданные фиксируются в процессе работы хранилища.

Они отражают информацию о текущем состоянии данных, статистике функционирования и т. д. К medic-метаданные относятся словари терминов с их определениями, описания источников и владельцев данных, финансово-экономической политики, электронного формирования документооборота и т. п.
Технология DM в АКИИСС создана для анализа структурированных общих медицинских и специализированных клинических данных при помощи математических моделей, основанных на статистических, вероятностных и оптимизационных методах, с целью выявления в них заранее неизвестных закономерностей, зависимостей и извлечения непредвиденной информации.

К числу основных задач DM в АКИИСС относятся задачи классификации, кластеризации, поиска ассоциаций и корреляций, выявления типовых образцов на заданном множестве клинических признаков жалоб, анамнеза, осмотров, инструментально-лабораторных заключений и т.д., обнаружения объектов данных, не соответствующих установленным характеристикам и поведению, исследование тенденций во временных рядах и др..
Целью ИАД является извлечение мед познаний из данных, т. е. обнаружение в начальных данных ранее неведомых нетривиальных фактически нужных и доступных для интерпретации познаний, нужных для принятия решений в верификации разных состояний человека (СЧ).

Зависимо от их нрава СЧ можно поделить на три группы:
1) СЧ с преобладанием случайных событий (ожоги, травмы, экстремальные состояния человека и др.);
2) СЧ, в каких все действия причинно обоснованы (заболевания, коматозные состояния и др.);

3) СЧ, в каких наблюдаются как причинно обусловленные, так и случайные действия (отравления, воздействие экстремальных причин наружной среды, психогенные причины и т.д.).
В первой группе СЧ преобладают частотные закономерности, во 2-ой — жесткие причинно-следственные зависимости, в третьей — причинно-следственные зависимости, допускающие исключения.

Обычно, способы ИАД оперируют с данными, представленными 3-мя основными методами:
• атрибутивным (заболевания (состояния) описываются значениями фиксированного набора атрибутов т.е. симптомов (синдромов);
• структурным (объекты определяются типологически);
• полнотекстовым (исходными данными служат тексты).
Традиционно принято считать, что исходные медицинские данные в технологиях ИАД имеют структурированное представление и являются цифровыми или символьными [10,11].

Поскольку до 80 % всех медицинских данных существуют в неструктурированном виде (содержатся в текстовых документах), важность интегрированных средств, реализующих технологии ИАД и анализа текста, будет возрастать, поэтому в АКИИСС предусмотрены методы ИАД, которые реализуются в технологиях [3,12,13,14]:
• интерактивной аналитической обработки данных (On-Line Analytical Processing — OLAP);
• глубинного анализа данных (Data Mining — DM);
• визуализации данных.
В АКИИСС для технологии хранения и интеллектуального анализа данных могут применяться OLAP-сервера (например: Oracle Express Server и Microsoft OLAP Services).

Слой многомерной обработки обычно встраивается в OLAP-клиент или в OLAP-сервер, но может выделяться и в самостоятельном качестве (например: Pivot Tables Service фирмы Microsoft).
Слой физического хранения данных реализуется либо в реляционных, либо в многомерных структурах, представляемых в виде многомерных массивов.

Обычно OLAP-продукты обеспечивают оба эти способа хранения, также их комбинации.
Заявка №2010147474, 2010.
8. Патент РФ №103209.

Нареченные особенности обусловливают необходимость обеспечения:
• высочайшей производительности обработки запросов;
• масштабируемости применяемых алгоритмов.
При загрузке в хранилище АКИИСС новых данных производится их верификация, включающая:
• выявление и устранение ошибок, также нарушений ограничений целостности;
• выявление и разрешение противоречий в данных, поступающих из различных источников;
• выявление и устранение избыточности в данных и т. д.

В строительном плане хранилище данных АКИИСС включает три уровня. На верхнем уровне размещается обобщенная мед информация для управляющих всех подразделений медучреждений, которым требуются средства анализа данных.

Нижний уровень занимают источники общих мед и специализированных клинических данных, в том числе БД оперативной медицинской инфы. В трехуровневой архитектуре над двухуровневым хранилищем организуются спец хранилища мед данных для отдельных подразделений.

Анализ данных в хранилищах АКИИСС базируется на разработках умственного анализа данных (ИАД).Если на первых шагах переработка общей мед инфы (в главном документооборот) заключалась в сортировке и выполнении арифметических операций, сначала суммирования сроков исцеления, количества предназначений, осмотров и т.д., то в следующем она становится все более и поболее умственной. Все большее значение получают системы с элементами искусственного ума (ИИ): это экспертные клинические системы, системы прогнозирования, системы диагностики и оценки инфы и т.д. [4].

Но, на сегодня не существует предложенных вариантов решения задачки автоматической обработки общих мед и специализированных клинических данных, связывающих в единое информационное поле результаты опросов, осмотров, инструментальных и лабораторных исследовательских работ пациента. Опыт указывает, что наибольшая сложность клинических систем, создаваемых централизовано по одному проекту, ограничена.

На первом аналитик формулирует постановку задачи в терминах целевых переменных. На втором этапе осуществляется подготовка данных для анализа.

Обычно данные представляются в виде таблицы, строки которой (записи) соответствуют объектам или состояниям объекта, а столбцы (поля, переменные) — свойствам (признакам) объектов.13. http://www.megaputer.ru.
14. http://www.crisp-dm.org.

Таким макаром, может быть решена задачка преемственности и последовательности информационной составляющей многофункциональных конфигураций (преморбид) и переход их в органические, также выявление адаптационных устройств клинического проявления и дифференциацию их с дезадаптационными.
На стадии сотворения АКИИСС была решена принципиальная задачка по технологии хранения, формирования, структурирования, передачи и умственного анализа всех собранных данных.

Понятие хранилища данных было введено Б.АКИИСС позволяет решать следующие задачи для повседневной деятельности медицинских учреждений (в качестве самостоятельной системы, либо интегрируемая в существующие/действующие системы документооборота):
• получение достоверной и полной информации о заболеваемости в учреждении или округе в он-лайн режиме;
• оперативное получение клинической и другой информации о каждом конкретном больном в он-лайн режиме;
• осуществление постоянного мониторинга лечебно-диагностической деятельности подразделений и должностных лиц медицинской службы;
• проведение независимого медико-статистического анализа любого подразделения медицинской службы;
• осуществление контроля в реальном масштабе времени за качеством оказания медицинской помощи по конкретному больному и подчиненным подразделениям;
• проведение автоматизированного сравнительно-сопоставительного анализа деятельности разных подразделений медицинской службы за любой установленный промежуток времени;
• оперативной генерации отчетов.
• интеграцию с системами учета и контроля по линии ОМС и ДМС.

Глотко В.Л.
Литература:
1. Башмаков А.И., Бамаков И.А. Интеллектуальные информационные технологии.

Учебное пособие. Москва, МГТУ им. Н.Э. Баумана, 2005. С.302.

Инмоном, определившим его как предметно-ориентированное, привязанное ко времени и неизменяемое собрание данных для поддержки принятия управляющих решений [1,5,12].
Объем данных в АКИИСС как минимум на порядок превосходит объемы данных в оперативных базах данных (БД), так именуемых OLTP-системах (On-Line Analytical Processing — интерактивная аналитическая обработка данных).

Большей сложностью отличаются и запросы к хранилищу АКИИСС.3. Дюк В., Самоиленко А. Data mining: учебный курс. — СПб.: Питер, 2001. —368 с.
4. Кобринский Б.А.

Ретроспективный анализ медицинских экспертных систем // Новости искусственного интеллекта. – №2. – 2005. – С.6-17.
5. Когаловский М.Р. Перспективные технологии информационных систем. — М.: ДМК Пресс; М.: Компания АйТи, 2003. — 288 с.

6. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). – Краснодар: КубГАУ, 2002. – 605 с.

7. Патент РФ №103022.При выполнении запросов используются операции соединения таблицы симптомов и таблиц их измерений (достоверность, вероятность и т.д.).
В технологии АКИИСС в хранении медицинских данных важную роль играет управление метаданными.

Метаданные хранилищ делятся на административные, операционные и medic-метаданные. Заявка №2010144144, 2010.
9. Патент РФ №106013. Заявка №2011110101, 2011.

10. Спирли Э. Корпоративные хранилища данных. Планирование, разработка, реализация. Хранилища данных: основные архитектуры и принципы построения // Новости искусственного интеллекта. 2003. — № 2. — С. 37—41.

12. Inman W. Building the Data Warehouse. — New York: John Willey & Sons,1992.
Т. 1: Пер. с англ. — М.: Издательский дом «Вильяме», 2001.
11. Стулов А.В.

Значения свойств могут выражаться числами, логическими величинами и категориальными (нечисловыми) данными (симптом, анатомический объект, анатомическое расположение, семантическое определение симптома и/или синдрома, выраженность его, условие формирования и т.д.).
Категориальная переменная может быть заменена набором логических переменных, количество которых равно количеству значений категориальной переменной. Между множеством значений категориальной переменной и множеством логических переменных устанавливается взаимно однозначное соответствие.Медицина 2.0 (www.med2.ru)

Читайте также: