Экспертные системы в медицине

В неврологии A.T. Tzallas et al. применили нейросеть для прогнозирования эпилептических приступов на основе анализа электроэнцефалограмм. Прогностическая точность метода составила 98 – 100 %.

Разработанная нами нейросетевая модель предназначена для прогнозирования вероятности развития инфицированного панкреонекроза на основании данных, полученных при поступлении больного в стационар и в течение первых 48 часов госпитализации: точность результатов — 90%, специфичность – 96% . Используя эту модель, мы получили возможность уже на ранних сроках заболевания острым панкреатитом определить группу больных, угрожаемых по развитию инфицированного панкреонекроза с выбором адекватной лечебно-диагностической тактики. Кроме того, нейронная сеть позволила выделить 12 наиболее информативных показателей для прогнозирования в ранние сроки заболевания инфекционных осложнений острого панкреатита: 1) тип госпитализации в стационар (перевод из другой больницы); 2) возраст больного; 3) индекс массы тела; 4) температура тела больного; 5) частота сердечных сокращений; 6) частота дыхательных движений; 7) количество лейкоцитов крови; 8) вздутие живота, определяемое в течение 24 часов от начала заболевания (повышенное внутрибрюшное давление); 9) острые жидкостные образования и (или) свободная жидкость в брюшной полости, определяемые в первые 24 часа от начала заболевания; 10) мочевина крови; 11) глюкоза крови; 12) отсутствие улучшения общего состояния больного в течение 24 часов комплексной интенсивной терапии (пациент «не отвечает» на проводимое лечение, рост количества баллов по шкале SAPS II).

Технология Data Mining (DM), включающая нейросетевое моделирование, метод опорных векторов и др., применена N. Horowitz et al.  в разработке диагностической анкеты для выявления гастроэзофагеальной рефлюксной болезни. Авторами были обследованы 132 пациента, на основании полученных данных построена DM-модель, позволившая отобрать наиболее важные и достоверные признаки заболевания: изжога, отрыжка кислым, положительный эффект от антацидной терапии и ухудшение самочувствия после острой, жирной пищи. Чувствительность и специфичность данного метода составили 75% и 78%.

Y.C. Lee et al.  использовали DM-технологии для прогнозирования снижения массы тела после хирургического лечения ожирения. В работе ретроспективно учтены данные 249 пациентов (177 женщин и 72 мужчины), оперированных различными методиками. 208 больных (83,5%) в течение 2 лет после операции успешно снизили массу тела, тогда как у 41 (16,5%) эффекта не было. Созданная авторами DM-модель позволяет еще до операции выявить, будет ли после нее эффект и какой вид вмешательства предпочтительнее.

Общей чертой, объединяющей все приведенные выше примеры, является отсутствие единой универсальной технологии создания нейросетевых моделей. В публикуемых разработках используются самые разнообразные архитектуры и алгоритмы функционирования экспертных систем. Это приводит к тому, что почти для каждой задачи разрабатывается своя собственная архитектура, а зачастую – некоторый уникальный алгоритм или уникальная модификация уже существующего алгоритма. С точки зрения практического применения такие экспертные системы почти не отличаются от традиционных программ принятия решений. Более того, предложены методы автоматизированного преобразования традиционных экспертных систем в нейросетевые. Их разработка требует участия специалистов по нейроинформатике, а возможности конструирования пользователем практически отсутствуют. Это делает такие системы дорогими и не очень удобными для практического применения.

Заключение

Таким образом, на основании анализа публикаций о применении экспертных систем в медицине можно сделать следующие выводы:

1. Медицинская нейроинформатика как наука находится пока на стадии накопления фактического материала.

2. Нейронные сети обладают  чертами так называемого искусственного интеллекта. Натренированные на ограниченном множестве обучающих выборок, они обобщают накопленную информацию и вырабатывают ожидаемую реакцию применительно к новым данным, не используемым в процессе обучения. Несмотря на значительное количество уже известных практических приложений, возможности дальнейшего использования подходов, основанных на методах искусственного интеллекта, их эффективность окончательно не изучены.

3. Современные технические  возможности позволяют выйти  на качественно новый уровень  представления течения заболевания, а именно на основе экспертных  автоматизированных технологий  смоделировать типовое развитие  патологического процесса. Экспертные  компьютерные медицинские системы  позволяют врачу не только  проверить собственные диагностические  предположения, но и обратиться  к компьютеру за консультацией  в трудных диагностических случаях.

Список использованной литературы

1. Горбань А.Н. Методы нейроинформатики. — Красноярск, 1998.
2. Медведев В.С., Потемкин В.Г. Нейронные сети. 2002.
3. Чубукова И.А. Data Mining. — М.: 2008.
4. Дюк В.А., Эмануэль В.Л. Информационные технологии в медико-биологических исследованиях. – СПб.: 2003.