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

Полипараметрическая диагностика в медико-биологических исследованиях

Статья опубликована в выпуске журнала № 3 за 2002 год.[ 22.09.2002 ]
Аннотация:
Abstract:
Авторы: Дмитриева Н.В. () - , ,
Ключевое слово:
Ключевое слово:
Количество просмотров: 6764
Версия для печати
Выпуск в формате PDF (1.16Мб)

Размер шрифта:       Шрифт:

Накопленный опыт полипараметрической диагностики функционального состояния в виде визуализированных образов позволил провести системный анализ этих образов на основе общей концепции построения и функционирования интеллектуальных систем [1,9]. Цель этого анализа – выявить возможности методологии полипараметрического когнитивного моделирования [3,5,7,10] для медико-биоло-гических исследований, прежде всего, возможности выявления взаимодействия, согласования электрофизиологических процессов в органах и физиологических системах целостного организма. Поиск такой возможности определяется тем, что современный физиологический эксперимент, а также средства функциональной диагностики не позволяют видеть информационные связи физиологических процессов. Разрабатываемая нами интеллектуально-образная модель функционального состояния человека дает возможность не только видеть, но и количественно определять соотношения параметров электрофизиологических процессов, “выдавая” о них новые зна- ния [3]. Показано, что образная совокупность многомерных данных позволяет проводить индивидуальный синдромальный анализ образов в интерактивном режиме [4]. При этом учитываются не только изменения абсолютных величин параметров и их количество, не только степень изменений соотношений параметров, которые выступают как новые диагностические признаки, но “додумываются”, какие параметры, в каком сочетании изменены и зрительно определяется координированность процессов и др. Еще более продуктивным для data mining и knowledge engineering представляется использование таких интеллектуальных методов, как процедуральные правила [8]. Отсюда вытекает возможность решения насущной задачи полипараметрической преклинической (ранней) функциональной диагностики – выявление новых объективных знаний о преклинических дисфункциях в организме для поддержки принятия диагностических решений. В данной работе для этих целей проведен анализ накопленных данных с помощью известных процедуральных правил как одного из перспективных в настоящее время методов генерации новых знаний о предмете. Полипараметрическая интеллектуально-образная модель функционального состояния человека

В качестве алфавита для описания функционального состояния человека и элементов модели интеллектуальной системы используется унифицированный набор параметров комплекса электрофизиологических показателей (ЭКГ, ЭРВГ, ЭМГ и др.). Абсолютные величины амплитудных и временных параметров (на рис. 1 – Х1-Х20) представлены в виде векторов в полярных координатах. Каждый вектор имеет свой масштаб, определяемый модальным уровнем (средней окружностью, Xo). Обобщенный контур, ограниченный максимальными (Хmax) и минимальными (Xmin) величинами параметров, не имеющими патогномоничного значения (наружная и внутренняя окружности), является интеллектуальным преобразователем, осуществляющим непрерывный анализ характера поведения абсолютных величин параметров и формирующим в соответствии с этим необходимые классификационные действия. Активная часть интеллектуального преобразователя обеспечивает дополнительные признаки – соотношения параметров, накладываемые на динамическую характеристику, которые выступают как новые диагностические признаки функционального состояния организма, связанные с балансом взаимодействия физиологических систем и регуляторного влияния симпатического и парасимпатического отделов вегетативной нервной системы. Последние находят свое отражение в сдвиге образа (на рис. 1 окружности, обозначенные прерывистой линией) и в нарушении его контура [2,4]. Представление врачу комплекса физиологических показателей осуществляется в виде наглядных графических образов состояния индивида, что позволяет проводить клинический анализ многомерных данных. В качестве примера на рисунке 2 дан протокол полипараметрического обследования. Интерпретация изменений параметров основана на базе накопленного опыта функциональной диагностики и специальных исследований указанных показателей при различных функциональных состояниях человека [2-4].

Дифференциация обследуемых полипараметрическим методом производится по 4 классам в соответствии с основными стадиями развития адаптационного синдрома.

Data mining and knowledge engineering в полипараметрической интеллектуально-образной системе

В результате автоматизированного анализа аналоговых сигналов и преобразования в указанной интеллектуальной системе получаются три основных вида диагностических признаков: традиционные для функциональной диагностики – измеряемые абсолютные величины параметров; новые диагностические признаки, генерируемые системой – соотношения параметров электрофизиологических подсистем (внутрисистемные связи ЭКГ, РВГ и др.) и соотношения параметров подсистем (межсистемные связи кардиоваскулярной, кардиореспираторной и других систем). Эти группы представляют собой достаточно самостоятельные физиологические показатели и диагностические признаки, но вместе с тем все они взаимосвязаны, поэтому конечное диагностическое решение должно учитывать эту многомерную взаимосвязь.

Подпись: Рис. 2. Образ функционального состоянияДля построения систем информационной поддержки решений врача использованы логические образы, извлекаемые из базы знаний в процессе когниологического исследования, которые служат эталоном для того или иного синдрома. Такие концептуальные образы-эталоны строятся в соответствии с базовой моделью идеального функционального состояния и фиксируются в блоке оценки (фаза 2, рис. 3). Для их построения использовали аппарат экспертных оценок, гипертекстов и специально разработанные алгоритмы синдромального анализа, отражающие значимость изменения разных параметров и их соотношений [2,4]. Синдромальный анализ – поэтапная интерпретационная процедура, целью которой является установление максимального соответствия имеющейся симптоматики определенному концептуальному образу того или иного функционального состояния. На рисунке 2 представлен пример образа-эталона функционального состояния с изменением адаптационного процесса (4 стадии функционального состояния).

Абсолютные значения параметров даны слева, временные параметры (светлые) в мс; амплитудные (заштрихованы) – ЭКГ в мкВ, РВГ – в Ом, Рs и Рд – артериальное давление систолическое и диастолическое — в мм рт. ст.; С°е и С°i – температура кожная и подмышечная. Каждый вектор соответствует параметру (отсчет против часовой стрелки от «третьего часа»).

Подпись: Рис. 1. Образная модель «идеальногофункционального состояния» человекаСущественным является возможность анализа как целостного синдрома нарушенного функционального состояния, так и отдельных фрагментов его с интерпретацией их значимости. Это означает наличие определенной функциональной гибкости, которая позволяет получить поддержку в конечном решении в случае отсутствия полностью идентичного эталона.

Как показал опыт сопоставления полипараметрических данных с традиционными клинико-физиологическими результатами, такие многомерные данные с достаточной вероятностью позволяют диагностировать физиологический статус индивида [4]. Однако для прогноза состояния определяемых дисфункций необходимы представления динамики параметров в их взаимосвязи со средой. Одним из подходов к выявлению такого рода знаний для поддержки конечных решений является анализ накопленных данных с помощью известных процедуральных правил типа (if S then A) [8]. Для некой совокупности условий ставится в соответствие некоторое множество вариантов поведения системы «ЕСЛИ (Xi £ Ci) И…И (Xk £ Ck) И (Xk+1 ® min) И …И (Xk+1 ® max), ТО Y1 [6]. Для примера представлен анализ следствий изменений одного из параметров ЭКГ – амплитуды зубца Т, являющегося показателем процессов реполяризации в левом желудочке миокарда, которые, как известно, связаны с состоянием коронарного кровотока. При ишемии миокарда амплитуда Т снижается (вплоть до 0 и отрицательного значения). Наоборот, при процессах гипертрофии миокарда, как правило, амплитуда Т повышается. При анализе следствий постепенного изменения Т по правилу “If S then A” получена серия образов, отражающая убывание (возрастание) абсолютной величины одного из параметров и наглядно представляющая возникновение и нарастание изменений во взаимосвязи этого параметра с другими (фаза 3, рис. 3). Наиболее существенные изменения соотношений для данного примера представлены в таблице, из которой видно, что для определения стадии развития адаптационного синдрома (класса функционального состояния) при изменении амплитуды Т важным является соотношение величины реполяризации (Т) и ее длительности (QT), а также уровень и время общего кровенаполнения в периферических сосудах (А2–К). Эти результаты достаточно хорошо интерпретируются в физиологических терминах и позволяют количественно характеризовать прогнозируемые дисфункции.

Подпись: Анализ соотношений параметровпо процедуральному правилу “If S then A”Параметр(If S)	Абсолютноезначение,mkv	Отношения параметров (then A)	Относительно межсистемно-го инварианта, %	Класс функцио-нального состоянияТ1	275	QT–TA2 –K	0	IТ2	325	QT–TA2 –K	14–10	IIТ3	350	QT–TA2 –K	20,2–14,3	IIIТ4	400	QT–TA2 –K	31,4–19.8	IVТ5	0	QT–TA2 –KCi–K	45.638.283.5	VПодпись: Рис. 3. Функциональная схема data miningЭто дает возможность определить, на какой стадии адаптационного процесса и какого характера имеют место нарушения взаимосвязей физиологических функций. При этом множество альтернатив ограничиваются базой знаний, на основании которой принимается решение о значимости результата работы такой системы правил и определяется конечный набор эталонных образов. Таким образом, процедуральные правила в сочетании с гипертекстом выступают в роли генератора знаний в данной системе, и возникает четвертая группа диагностических признаков. Представляется важным при этом выявить «запрещенные» ситуации и «тупиковые» следствия. Необходимым атрибутом системы является база знаний и система поддержки принятия решений. В соответствии с теорией информации предложенная система выявляет взаимосвязь физиологических параметров в их совокупности, то есть определяет диагноз на данный момент времени. Анализ по процедурным правилам говорит о том, как параметры могут изменяться в соответствии с информацией между свойствами среды и реакцией системы – организма, то есть имеют значимость не только диагностическую, но и прогностическую. Источником таких знаний является анализ накопленных полипараметрических данных, и эту процедуру можно обозначить как data mining. Схема процесса data mining в полипараметрической системе представлена на рисунке 3.

Однако верификация логически построенных образов-эталонов функционального состояния может быть осуществлена на основе экспертных оценок и апробации данных результатов анализа в практических условиях полипараметрического обследования, которая проводится среди студентов МГУ.

Подытоживая, отметим, что в статье дано концептуальное описание полипараметрической функционально-диагностической системы, моделируемой на базе интеллектуально-образных систем, и описано проведение анализа системы с помощью процедуральных правил.

Список литературы

1.   Городецкий В.И. Распределенный искусственный интеллект и многоагентные системы (обзор) // Междунар. семинар: DASMAS’97 “Новости искусственного интеллекта”. - 1997. - № 4.

2.   Дмитриева Н.В. Полиметрический анализ вегетативного статуса человека при развитии стресса // Вестник РАМН. - 1995.

3.   Дмитриева Н.В., Полипараметрический метод диагностики функционального состояния человека на основе интеллетуально-образных систем // Тр. нац. конф. по искусcтв. интеллекту. РАИИ. - Пущино-на-Оке. - 1998.

4.   Дмитриева Н.В., Шевелев В.Ю. Системный анализ полипараметрических синдромов у студентов при развитии стресса в период учебы // Вестник РАМН. - 1998. - № 2.

5.   Зенкин А.А. Когнитивная компьютерная графика. - М.: Наука, 1991.

6.   Микони С.В. Взаимодействие базы знаний и системы выбора // Новые интеллектуальные технологии в задачах управления. – М.: Наука, Физматлит, - 1999.

7.   Koono Zenya, Takashi Sugimoto, Toshio Tonaka, and Behroutz H.Far. A systemic approach for acquisition of human design knowledge // Procrrdings of JCKBSE’94. Japan-CIS Symposium on Knowledge Based Software Engineering’94. Ed. Haruki Ueno, Vadim L.Stefanuk. — Pereslavl-Zalesski, 1994.

8.   Newell A., Simon H.A. Human problems solving. Englewood Cliffs: Prentice Hall, 1972.

9.   Поспелов Д.А. На пути к искусственному интеллекту. - М.: Наука, 1982.

10.Савин Г.И. Системный анализ сложных процессов. — М.: Радио, 1999.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=691
Версия для печати
Выпуск в формате PDF (1.16Мб)
Статья опубликована в выпуске журнала № 3 за 2002 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: