Journal influence
Bookmark
Next issue
Abstract:
Аннотация:
Authors: Matveev, Yu.N. (matveev4700@mail.ru) - Tver State Technical University (Professor), Tver, Russia, Ph.D, () - | |
Keywords: entropy, probabilistic model, |
|
Page views: 14107 |
Print version Full issue in PDF (4.72Mb) |
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.
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. |
Permanent link: http://swsys.ru/index.php?page=article&id=2281&lang=&lang=en&like=1 |
Print version Full issue in PDF (4.72Mb) |
The article was published in issue no. № 2, 2009 |
Perhaps, you might be interested in the following articles of similar topics:
- Технология автоматизированной оценки содержательной близости текстов
- Визуальная оценка качества работы генератора псевдослучайных чисел для решения криптографических задач
- Оптимальная энтропийная кластеризация в информационных системах
- Использование энтропийных мер в задачах оценки информативности признаков распознавания образов
Back to the list of articles