ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2017 г.)
2-летний импакт-фактор РИНЦ: 0,500
2-летний импакт-фактор РИНЦ без самоцитирования: 0,405
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,817
5-летний импакт-фактор РИНЦ: 0,319
5-летний импакт-фактор РИНЦ без самоцитирования: 0,264
Суммарное число цитирований журнала в РИНЦ: 6012
Пятилетний индекс Херфиндаля по цитирующим журналам: 404
Индекс Херфиндаля по организациям авторов: 338
Десятилетний индекс Хирша: 17
Место в общем рейтинге SCIENCE INDEX за 2017 год: 527
Место в рейтинге SCIENCE INDEX за 2017 год по тематике "Автоматика. Вычислительная техника": 16

Больше данных по публикационной активности нашего журнале за 2008-2017 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2018

Вероятностная модель медицинской диагностики

Статья опубликована в выпуске журнала № 2 за 2009 год.[ 17.06.2009 ]
Аннотация:
Abstract:
Авторы: Матвеев Ю.Н. (matveev4700@mail.ru) - Тверской государственный технический университет, Тверь, Россия, доктор технических наук, Айисси Г.А. () - , ,
Ключевые слова: энтропия, вероятностная модель, дистанционное медицинское диагностирование
Keywords: entropy, probabilistic model,
Количество просмотров: 8501
Версия для печати
Выпуск в формате PDF (4.72Мб)

Размер шрифта:       Шрифт:

В России и за ее пределами накоплен значительный опыт разработки и применения средств вычислительной техники и математических методов для решения задач теоретической и практической медицины. На начальных этапах работы в этом направлении основное внимание уделялось созданию методов и моделей, позволяющих углубленно исследовать патологические процессы в отдельных органах и системах организма.

Современный уровень развития вычислительной техники делает возможным создание информационных продуктов нового поколения – распределенных автоматизированных медицинских информационных технологий, предлагающих обоснованные врачебные решения в зависимости от особенностей клинической ситуации, складывающейся на каждом этапе ведения больного.

Сокращение времени на диагностику за счет уменьшения количества диагностических проверок приводит к низкой надежности диагностирования. Использование систем, основанных на вероятностных методах диагностирования, позволяет за счет уменьшения количества диагностических вопросов существенно сократить время диагностирования и, следовательно, объем передаваемых данных не в ущерб объективности и надежности диагностики.

В данной работе предлагается вероятностная модель дистанционной диагностики, согласно которой симптомы пользователя системы могут быть отнесены к одному из нескольких состояний , соответствующих возможному заболеванию. Состояния характеризуются вероятностями  и составляют полную группу событий. В процессе диагностики пациенту предлагаются диагностические вопросы, и в зависимости от ответов на них вероятности заболеваний изменяются. Вопросы предлагаются до тех пор, пока одна из вероятностей состояний (заболевание или отсутствие заболевания) не превысит порог, задаваемый пользователем системы.

Каждая проверка характеризуется матрицей P условных вероятностей, столбцы которой соответствуют состояниям, а строки – исходам  тестового задания. Исход в общем случае – это событие, заключающееся в получении какого-либо ответа – симптома из группы ответов, объединенных по некоторому признаку. В ячейках матрицы содержатся  – вероятности того, что появится симптом  при заболевании .

Значения вероятностей  задаются врачами-экспертами, имеющими право их редактировать. Пример шкалы оценки вероятности симптома для конкретного заболевания приведен в таблице.

Заключение эксперта

Числовая характеристика

Полная уверенность в диагнозе

1,0

Однозначное отклонение диагноза

0,0

Вероятность очень большая

0,9

Вероятность очень мала

0,1

Вероятность большая

0,8

Вероятность мала

0,2

Вероятность значительная

0,7

Вероятность незначительна

0,3

Скорее да, чем нет

0,6

Скорее нет, чем да

0,4

И да и нет

0,5

И да и нет

0,5

Подпись: Алгоритм выбора наиболее информативной проверки
Зная условные вероятности , вероятности состояний  и получив некоторый исход , используя теорему Байеса, можно вычислить условные вероятности  наличия у объекта диагностики заболевания при условии, что после очередной проверки получен j-й исход. Эти вероятности считаются априорными вероятностями состояний при выборе и проведении следующей диагностической проверки.

Если изначально состояние пациента неизвестно, разумно предположить, что исходные вероятности его состояний равны между собой.

На основании показателя максимума средней информации  системой выбирается предварительно наиболее информативная проверка. На рисунке предложена схема алгоритма выбора наиболее информативной проверки. Введем следующие понятия:  – априорная энтропия, характеризующая состояние диагностической системы до начала проверки k;  – средняя апостериорная энтропия состояния после условного проведения проверки k.

Априорная энтропия до начала проверки k вычисляется по формуле:

.

Энтропия после условного проведения проверки k вычисляется по формуле:

.

В данном случае  – условная энтропия, характеризующая изменения неопределенности состояния диагностируемого системой пациента в случае завершения проверки k исходом .

Производится единичное испытание – выдаются вопрос и возможные варианты ответов. Ответ пациента с помощью специальной процедуры формируется в исход .

Далее из матрицы проверки выбирается строка условных вероятностей , соответствующая полученному симптому.

По формуле Байеса для конкурирующих гипотез рассчитывается новое распределение вероятностей  – возможного диагноза пациента.

Проведенная проверка исключается из списка. Цикл повторяется до тех пор, пока значение вероятности одного из заболеваний не превысит заданного порогового уровня или не исчерпается весь перечень симптомов-проверок. По результатам проведенных проверок делается вывод о наиболее вероятном заболевании. Программная реализация алгоритма осуществлена на языке Borland С++Bilder.

Предложенная вероятностная модель диагностирования заболеваний и алгоритм направленного поиска диагностических проверок снижают количество задаваемых вопросов. Это приводит к эффективному использованию имеющихся ресурсов за счет сокращения трудозатрат медицинских работников, уменьшения объемов передаваемой информации по каналам передачи данных и нагрузки на имеющиеся приборы медицинской диагностики, обеспечивая при этом высокую объективность оценки и надежность работы системы диагностирования.

Литература

1.  Гайдышев И. Анализ и обработка данных: спец. справочник. Спб: Питер, 2001.

2.  Кобринский Б.А. Ретроспективный анализ медицинских экспертных систем // Новости искусственного интеллекта. 2005. № 2.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=2281
Версия для печати
Выпуск в формате PDF (4.72Мб)
Статья опубликована в выпуске журнала № 2 за 2009 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: