Software & Systems

Острые респираторные вирусные инфекции (ОРВИ) вызываются достаточно большим числом респираторных вирусов и являются наиболее распространенными инфекционными заболеваниями, ежегодно занимающими первое место в структуре инфекционной патологии. Наиболее часто в популяции встречаются грипп, парагрипп и аденовирусная инфекция, респираторно-синцитиальная вирусная инфекция (РС-инфекция) [1].

Из-за широкого распространения ОРВИ диагностировать их приходится не только инфекционистам, но и врачам других специальностей – терапевтам, семейным врачам, педиатрам и др., не всегда обладающим достаточными знаниями для постановки правильного диагноза. Следует также отметить неспецифичность клинической симптоматики данных вирусных заболеваний, типично протекающие формы составляют лишь небольшой процент.

Кроме того, точная лабораторная верификация типа ОРВИ (метод полимеразной цепной реакции, реакция непрямой гемагглютинации или метод флюоресцирующих антител) достаточно затратна и занимает длительное время: как правило, от нескольких дней до недели, нередко лишь ретроспективно подтверждая диагноз.

Несмотря на трудности диагностики заболевания, от правильности поставленного диагноза зависит выбираемая тактика лечения, особенно это касается гриппа [1, 2]. К тому же неверное определение типа ОРВИ в ряде случаев может су- щественно снизить вероятность благоприятного исхода заболевания. Поэтому из-за отсутствия быстрой лабораторной верификации возбудителя лечащему врачу важно с высокой долей вероятности поставить предварительный диагноз по косвенным клиническим показателям: данным осмотра и опроса пациента, а также по тем лабораторным исследованиям, результаты которых можно получить уже в течение нескольких часов.

Для снижения вероятности врачебной ошибки при определении типа ОРВИ по косвенным показателям была разработана экспертная система (ЭС) «Экспресс-диагностика и прогноз течения ОРВИ». При ее разработке использовались современные отечественные и зарубежные руководства по инфекционным болезням [1–3]. Программный продукт функционирует в среде Windows 2000/XP/Vista/7, удобен и прост в использовании и может быть рекомендован и врачам, владеющим лишь азами компьютерной грамотности. Даже если не все данные введены, программа остается результативной.

Для работы экспертной системы в нее необходимо внести следующую информацию.

1.   Основные данные о пациенте: пол (м, ж), возраст (15–90 лет), масса тела, рост, беременность (да, нет), ожирение (нет, I степень, II степень, III степень, IV степень), наличие хронических болезней внутренних органов (дыхательной системы, сердца, почек, печени) (да, нет), сведения о проведенной вакцинации против гриппа в данном сезоне (привит, не привит), принимал ли препарат для профилактики (да, нет), интервал между днем начала болезни и днем обращения к врачу (0–10 дней).

2.   Начало болезни (внезапное, острое, под- острое, постепенное).

3.   Данные осмотра: состояние пациента (легкое, средней тяжести, тяжелое, крайне тяжелое), жалобы (боль и тяжесть в груди, чувство нехватки воздуха, головная боль, тошнота, рвота, насморк, кашель, боли в мышцах, диарея), кровохарканье, температура тела, цианоз (да, нет), лицо (гиперемировано, бледное), катаральный синдром (ринит, фарингит, ларингит, трахеит, бронхит), пульс, артериальное давление (систолическое, диастолическое), частота дыхательных движений, наличие влажных хрипов в легких (да, нет), наличие крепитации в легких (да, нет), наличие конъюнктивита (да, нет), увеличение лимфатических узлов (да, нет), увеличение печени (да, нет), увеличение селезенки (да, нет), сыпь (да, нет).

4.   Лабораторные исследования: общий анализ крови (количество эритроцитов, уровень гемоглобина, цветной показатель, количество тромбоцитов, лейкоцитов, базофилов, эозинофилов, палочкоядерных нейтрофилов, сегментоядерных нейтрофилов, лимфоцитов, моноцитов, скорость оседания эритроцитов), общий анализ мочи (наличие протеинурии), биохимическое исследование крови (белок, мочевина, креатинин, глюкоза, билирубин, АЛаТ, АСаТ), группа крови больного (I–IV группа), резус-фактор (положительный, отрицательный).

5.   Рентгенография органов грудной клетки (в пределах нормы, расширение корней легких, сегментарная пневмония, долевая пневмония, двусторонняя пневмония, тотальная двусторонняя пневмония).

6.   Концентрация цитокинов в сыворотке крови при обследовании (в остром периоде заболевания) (табл. 1).

Таблица 1

Особенность разработанной ЭС – учет концентрации провоспалительных и противовоспа- лительных цитокинов в сыворотке крови, харак- теризующей состояние иммунной системы (ци- токиновой сети) и ее реакцию на внедрение и размножение вируса в виде изменения активности моноцитов, макрофагов, нейтрофилов и Т-лимфо­цитов, что прямо связано с тактикой лечения и прогнозом ОРВИ. В программу отдельным диагнозом был введен появившийся с 2009 г. грипп pH1N1 (пандемический высоковирулентный грипп), характеризующийся более тяжелым течением заболевания в сравнении с сезонным гриппом A/H3N2, а также выраженным дисбалансом функционирования цитокиновой сети [4].

На основе приведенных данных с использованием базы знаний, состоящей приблизительно из 1000 нечетких продукционных правил, полученных экспертным методом, и алгоритма нечеткого логического вывода ЭС выдает следующую информацию [5]:

-    наиболее вероятный диагноз (тип ОРВИ из часто встречающихся в популяции): грипп pH1N1, грипп A/H3N2, аденовирусная инфекция, парагрипп, РС-инфекция (в ряде случаев может быть выдано: «здоров» или «не определен»);

-    вероятность благоприятного исхода заболевания;

-    ориентировочное время инволюции симптомов интоксикации, нормализации температуры тела, инволюции катарального синдрома, выздоровления;

-    ориентировочная длительность госпитализации в стационаре;

-    ориентировочные затраты на лечение пациента.

Рассматриваемая экспертная система построена на основе алгоритма дедуктивного нечеткого логического вывода, использующего базу нечетких продукционных правил, полученных экспертным методом [5]. Данная модель дает возможность представлять как декларативные, так и процедурные знания. Кроме того, использование нечеткости при построении условных высказываний по­зволяет формально включать в них знания экспертов, выраженные вербальными категориями типа «много», «средне», «мало», «часто», «вероятно», «приблизительно столько-то» и т.п. [5, 6].

Имеются три типа входных факторов алгоритма нечеткого логического вывода ЭС:

-    количественные (например, температура тела пациента);

-    дискретные, принимающие значения из некоторого ограниченного счетного множества (например, состояние пациента {«легкое», «средней тяжести», «тяжелое», «крайне тяжелое»});

-    дискретные бинарные, принимающие одно из двух значений – «да»/«нет» (например, «цианоз» {«да»/«нет»}).

Для всех входных факторов определяются нечеткие множества, задаваемые своими функциями принадлежности.

Например, на рисунке показана функция принадлежности для нечеткого множества «температура тела нормальная» (по результатам измерений в подмышечной впадине).

Для факторов, принимающих значения из ограниченного счетного множества, функции принадлежности задаются таблицами. Например, в таблице 2 приведены значения функции принадлежности для нечеткого множества «состояние пациента крайне тяжелое».

Таблица 2

Для бинарных дискретных факторов также определено несколько нестандартных функций принадлежности. В частности, так называемые счетные функции принадлежности, принимающие значения в соответствии с формулой , где n – общее число бинарных факторов, являющихся аргументами функции принадлежности; m – число факторов, принимающих значение «да».

Например, функция принадлежности нечеткого множества «жалобы пациента» определяется значениями девяти бинарных факторов («боль и тяжесть в груди», «чувство нехватки воздуха», «головная боль», «тошнота», «рвота», «насморк», «кашель», «боли в мышцах», «диарея»).

Имеются два типа выходных сигналов алгоритма нечеткого логического вывода ЭС:

-    количественные факторы (например, «длительность госпитализации в стационаре»);

-    дискретные факторы, принимающие значения из некоторого ограниченного счетного множества (например, наиболее вероятный диагноз {грипп pH1N1, грипп A/H3N2, аденовирусная инфекция, парагрипп, РС-инфекция}).

Для количественных выходных сигналов продукционные правила имеют вид

если …, то Y есть A,

где А – нечеткое число, заданное своей функцией принадлежности.

Для определения выходов в данном случае используется алгоритм нечеткого логического вывода Мамдани [5].

Для дискретных выходных сигналов продукционные правила имеют вид

если …, то Z есть В,

где B – одно из возможных значений из множества, на котором определен дискретный фактор Z.

Например:

если …, то Z есть грипп H1N1,

если …, то Z есть парагрипп.

Для получения выхода ЭС здесь используется нечеткая модель выбора вариантов при дедуктивном логическом выводе [6]. В данном случае выходное значение определяется путем выбора следствия продукционных правил с наибольшим значением функции принадлежности.

Особенностью заполнения базы знаний рассматриваемой экспертной системы является то, что на стадии составления каждого продукционного правила выбирается не только тип функций принадлежности из заранее определенных, но в ряде случаев и их вид, а также тип логической связи, наилучшим образом отражающие ту зависимость, о которой говорят эксперты.

Для составления базы знаний экспертной системы привлекались ведущие врачи-инфекционис­ты Смоленской области и г. Москвы.

В среднем на составление одного продукционного правила уходит порядка 20 минут. За год работы удалось сформировать базу знаний, содержащую более 1000 продукционных правил, отражающих все основные ситуации, встречающиеся при диагностике ОРВИ.

Экспериментальное исследование разработанной экспертной системы, проведенной на данных 83 пациентов, показало, что вероятность постановки правильного диагноза превышает 95 % (статистически достоверно с p<0,05). При этом время на постановку предварительного диагноза составляет лишь несколько часов. Высокая вероятность постановки правильного диагноза дает возможность использовать данную экспертную систему в качестве скрининг-метода для диагностики ОРВИ и оценки прогноза течения заболевания, что может способствовать уменьшению числа диагностических ошибок, особенно среди врачей неинфекционного профиля.

Литература

1.   Инфекционные болезни: Национальное руководство; [под ред. Н.Д. Ющука, Ю.Я. Венгерова]. М.: ГЭОТАР-Медиа, 2009. 

2.   Казанцев А.П. [и др.]. Дифференциальная диагностика инфекционных болезней: руководство для врачей. М.: Изд-во «Мед. информ. агентство», 1999. 482 с.

3.   Manson`s Tropical Diseases: 22st ed. / Ed. G.C. Cook, A.I. Zumla. Lond.: Saunders Elsevier Ltd., 2009. 1830 p.

4.   Шипилов М.В., Волчкова Е.В., Кутарев Ф.Л. Цитокиновый профиль у больных гриппом pH1N1 // Инфекционные болезни: матер. III ежегод. Всеросс. конгресса по инфекцион. болезням (28–30 марта 2011 г., Москва). 2011. Т. 9. Прил. № 1. М.: 2011. С. 410–411.

5.   Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. М.: Физматлит, 2002. 256 с.

6.   Малышев Н.Г., Берштейн Л.С., Боженюк А.В. Нечеткие модели для экспертных систем в САПР. М.: Энергоатомиздат, 1991. 136 с.