нечеткая модель дифференциальная диагностика заболевания пациента

Заключение
Сформирован список информативных признаков, и по результатам анализа особенностей и структуры, выбран математический метод нечеткой логики принятия решений для достоверной диагностики, оценки тяжести течения и предполагаемых исходов вирусного гепатита.
Создана система нечетких правил принятия решений ранней диагностики: оценка тяжести и прогнозирования результатов вирусного гепатита В, что обеспечивает уверенность в принятии решений и позволяет рекомендовать их для использования в медицинской практике.
Построенная система правил дает возможность провести нечеткий логический вывод на основании индивидуальных показателей пациента и определить наиболее вероятный диагноз.


...

Оглавление
Введение 3
1. Параметры модели 4
2. Диагностика гепатита В 6
3. Нечеткая логика 13
4. Структура правил 16
5. Структура нечеткой нейронной сети 19
6. Дерево решений 21
Заключение 24
Список литературы 25

Введение
Необходимость применения современных информационных технологий в здравоохранении приобретает все большую актуальность в связи с колоссальным объемом данных и большим количеством алгоритмов принятия решений, что особенно важно при создании системы дифференциальной диагностики.
Несмотря на бурное развитие лабораторных методов клинической диагностики с использованием высокотехнологичной аппаратуры, наблюдается рост числа латентных форм заболеваний вирусным гепатитом, протекающих без выраженных симптомов, не вызывающих обращений за медицинской помощью, что создает высокий риск перехода инфекции в хроническую форму, выявляемую на поздних стадиях. Существующие на сегодняшний день методы диагностики гепатита В базируются на постановках специфичных рутинных анализов, требующих значительн ых ресурсозатрат, что является неприемлемым в условиях массового скрининга населения. Помимо этого, качество диагностики вирусного гепатита на ранних стадиях не обеспечивается на должном уровне, что приводит к снижению эффективности и затягиванию начала лечения.
Для повышения достоверности диагностики и прогнозирования исходов заболевания гепатитом В, учитывая ограничения во времени, по стоимости и качеству принимаемых решений, предлагается использовать подход системного анализа, основанный на современных информационных технологиях и нечеткой логике принятия решений.
Цель работы – проверка адекватности современных методов диагностики вирусного гепатита В и соответствие результатов реальной картине. Необходимо разработать систему экспертной оценки врача-инфекциониста на базе нечеткой нейронной сети, которая даст возможность структурировать предполагаемые диагнозы обследуемого в соответствии с их вероятностью.

Антитела к HBсore антигену класса М начинают вырабатываться в период первого появления клинических симптомов гепатита В и сохраняются до периода выздоровления. Синтез антител к HBeAg в организме начинается после элиминации антигена инфекционности, они свидетельствуют о прекращении репликации (размножения) вируса в организме. К концу 9-й недели эти антитела можно обнаружить у 90% больных. В период выздоровления эти антитела могут исчезать. Однако обнаружение anti-HBe не всегда является показателем отсутствия инфекционности данной конкретной сыворотки. Иногда возможно появление мутантной, дефектной HBeAg-отрицательной формы вируса, т.е. вирус данный антиген синтезировать не способен. Но при этом хотя в крови обнаруживаются anti-HBe, высокая репликативная активность вируса сохраняется.Anti-HBs-антитела появляются в фазе выздоровления после острого гепатита В, обычно через 3-4 месяца после элиминации HBsAg (так называемая фаза "окна"). Продолжительность фазы окна может варьировать от 1 мес до 1 года, в зависимости от состояния иммунной системы больного.В этот период "окна" важно обследовать пациента на anti-HBc IgM.Anti-HBs-антитела особенно важны в обеспечении иммунной защиты против данного вируса, поэтому количественное определение анти-HBs-антител обычно используют в контроле эффективности иммунитета при вакцинации против гепатита В. Со временем, титр антител снижается вплоть до необнаружения.Иногда возможно пожизненная циркуляция anti-HBs антител. Появление анти-HBs на фоне клинического улучшения у больного гепатитом В и исчезновение HBsAg является хорошим прогностическим признаком,и показателем выздоровления. При хроническом течении гепатита В возможно параллельное определение поверхностного антигена и антител к нему. Обнаружение анти-HBs в острой фазе гепатита В параллельно с HBsAg свидетельствует о неблагоприятном прогнозе заболевания.Полимеразная цепная реакция (ПЦР) — экспериментальный метод молекулярной биологии, позволяющий добиться значительного увеличения малых концентраций определенных фрагментов дезоксирибонуклеиновой кислоты (ДНК) в биологическом материале (пробе).Помимо амплификации ДНК, ПЦР позволяет производить множество других манипуляций с нуклеиновыми кислотами (введение мутаций, сращивание фрагментов ДНК).ПЦР дает возможность существенно ускорить и облегчить диагностику наследственных и вирусных заболеваний. Нужный ген амплифицируют с помощью ПЦР с использованием соответствующих праймеров, а затем секвенируют для определения мутаций. Вирусные инфекции можно обнаруживать сразу после заражения, за недели или месяцы до того, как проявятся симптомы заболевания.ПЦР позволяет выявить ДНК вируса гепатита В (ДНК HBV) в крови инфицированного. Позитивный результат на ДНК HBV как правило сигнализирует о наличии инфекции (качественная ПЦР). С помощью ПЦР можно также определить вирусную нагрузку, т.е. количество копий ДНК в 1 мл крови инфицированного (количественная ПЦР). Активность вируса определяется количеством копий вирусной ДНК на 1 мл биоматериала.В таблице, приведенной ниже, приведены результаты обследования на маркеры вируса гепатита В и их клиническая интерпретация. Для примера предлагается рассмотреть результаты одного из обследований:- HBsAg - положительно- anti-HBcorIgG - положительно- HBeAg - отрицательно- HBeAb - положительно- ДНК HBV (или DNA HBV) - положительноВывод: хронический гепатит В или неактивное носительство вируса гепатита В. Для уточнения диагноза среди вариантов необходимо дополнительное обследование: количественная ПЦР, уровень аланинаминотрансферазы (АЛТ), оценка состояния печени, возможно биопсия.Таблица 2. Маркеры гепатита В и интерпретация результатов.2.2. Биохимический анализ крови, определение концентрации печеночных ферментов: аланинаминотрансферазы и аспартатаминотрансферазы (АСТ). Указанные ферменты показывают степень активности воспаления в печени. АЛТ и АСТ функционируют в цитоплазме гепатоцитов. При повреждении клетки они попадают в межклеточное пространство, и их уровень в крови повышается. Подводя итог вышесказанного, количественная ПЦР дает представление об активности вируса, а уровень АЛТ и АСТ информирует об активности воспаления в печени, пораженной вирусом.Вышеперечисленные обследования являются основными в диагностике гепатита В, и с помощью лабораторных анализов крови можно оценить активность вируса, стадию заболевания, и косвенно - степень поражения печени. В ряде случаев этой информации бывает недостаточно, и тогда возникает необходимость в получении более точных данных о состоянии ткани печени и степени фиброза. В этом случае встает вопрос о выполнении биопсии печени или применении неинвазивных методик диагностики состояния печени.2.3. Биопсия печени - это процедура забора ткани печени специальной иглой. Процедура проводится под местным обезболиванием с извлечением кусочка ткани (примерно в 0.5 г) с последующим изучением ее под микроскопом.Биопсия является крайней мерой диагностики состояния печени, позволяя наиболее точно определить степень активности заболевания и повреждения ткани печени (фиброза). Нечеткая логикаЛогический вывод, распространяющийся на точные факты и заключения, называется строгими рассуждениями. Заключение является истинным при истинности всех условий из предпосылки. В медицинской практике довольно часто встречается неопределенность информации при выводе диагностического решения. Неопределенность мешает выработать наилучшее решение и способствует появлению некачественного решения. Необходимо, чтобы медицинская экспертная система дифференциальной диагностики функционировала даже при дефиците информации (то есть в условиях неопределенности). Система должна продолжать поиск решения в том числе при отсутствии части входной информации. К теориям, работающим в условиях неопределенности, относятся теория вероятностей, теория коэффициентов уверенности, а также теория нечеткой логики. В отличии от классической теории, данные варианты строят выводы не только на основании значений типа «истина/ложь», «да/нет», но и на промежуточных значениях.Теория нечеткой логики довольно широко применяется в экспертных системах. Это связано с тем, что на нечеткой логике базируются методы работы с приближенными рассуждениями, гранулированной информацией, неопределенностью и вычислениями со словами. К теоретическим основам нечеткой логики относятся основные понятия нечеткого множества, нечеткого правила и лингвистической переменной.Теория нечеткой логики была предложена Л. Заде в 1965 г., как попытка формализации человеческих знаний, описывающих не только количественные, но и качественные характеристики объектов предметной области, например, сильная боль, высокая температура и т.п. Теоретической основой нечеткой логики являются основные понятия нечеткого множества, лингвистической переменной и нечеткого правила. При создании нечеткой базы знаний требуется нечеткая формализация всех переменных, участвующих в построении медицинской экспертной системы диагностики. Известно, что нечеткие свойства представимы двумя понятиями и их свойствами: нечеткой переменной и лингвистической переменной. Симптомы и заболевания представляют собой лингвистические переменные. Например, для симптома «Бывают ли у Вас головные боли?» – для краткости – «головные боли», определяются следующие нечеткие характеристики: лингвистическая переменная «головные боли» имеет область определения[0,100]; терм-множество лингвистической переменной {«не бывают»; «слабые»; «частые»}. Для каждого элемента терм-множества, представляющего нечеткую переменную, следует построить нечеткое множество. Элементами этого множества являются возможные значения нечеткой переменной. Принадлежность этих значений множеству, определяемому семантикой лингвистического терма, задается функцией принадлежности. Функция принадлежности элемента нечеткому множеству интерпретируется как субъективная мера. Под субъективной мерой понимается определенная опросом группы экспертов-врачей степень соответствия элемента понятию, формализованному нечетким множеством. Нечеткая база знаний образуется совокупностью нечетких правил, определяющих взаимосвязь между симптомами и диагнозами. Например, нечеткое правило, оно имеет вид: «ЕСЛИ<головные боли – частые> И<температура – высокая>, ТО<простуда– высокая возможность>, CF=0.8». Здесь симптомы «головные боли», «температура» – входные переменные; заболевание «простуда» – выходная переменная; «частые», «высокая», «высокая возможность» – нечеткие переменные лингвистических переменных. Результатом нечеткого вывода являются количественные оценки каждого заболевания на основе знаний из базы знаний и поступающих фактов проявления симптомов. Разработан и исследован целый ряд моделей нечеткого вывода, наиболее известны среди них: Мамдани, Сугено, Ларсена, Цукамото и т.д. Таким образом, для представления динамических знаний о переходах между различными состояниями области диагностики рекомендовано использование нечеткой базы знаний вместо продукционной базы. Такой поход позволяет представлять неопределенности информации при описании структуры симптомокомплексов.Структура правилНечеткая импликация – базовое правило вывода «если – то», имеющее форму «если Х есть А, то Y есть В», где А и В являются лингвистическими значениями, определенные нечетким способом через функции принадлежности для переменных Х и Y. Условием является предпосылка «Х есть А», а следствие (заключение) – это «Y есть В».Процедура, позволяющая идентифицировать заключение, вытекающее из многих правил «если – то», называется нечетким рассуждением. Множество правил Rj при N переменных Ai принимает вид:Rj: «Если Х1 есть А1(w1) И Х2 есть А2(w2) И…И Хn есть Аn(wn), ТО B(CF)»(1)Где:Rj – номер соответствующего правила;Х1…..Хn – множество параметров, на которые накладываются ограничения в условиях правила Rj;А1…Аn – это множество нечетких ограничений на параметры множества Хi – нечетких условий антецедента правила Rj;wi – веса нечетких ограничений Ai на параметры Хi;CFj – степень достоверности сформированного правила Rj - степень уверенности эксперта в его универсальности, то есть вес самого правила;Вi – заключение, следующее при выполнении условий Ai правила Rj.Схема логического выводаШаг 1. В начале логического вывода определяется:wi – вес i-ой предпосылки j-го правила;µ(Аi) – значение функции принадлежности для i-ой предпосылки j-го правила.Шаг 2. На данном этапе находят сумму произведений вида:Σ n i=1 wi - µ(Ai),N – количество предпосылок в j-ом правиле.Шаг 3. Вычисляется сумма весов всех предпосылок j-го правила, то есть Σni=1wi ,n – количество предпосылок в j-ом правиле. Шаг 4. Определяют вес j-го правила (CFj) и находят значение вида: SRj=i=1nwi∙μ(Ai)i=1nwi∙(CFj) - степень срабатывания условий j-го правила.Шаг 5. После определения степени срабатываний всех правил, необходимо найти сумму вида:SRобщее =j=1nSRjгде n – это количество всех правил.Шаг 6. На последнем правиле вывода находится значение:SRj= SRjSRобщее *100% - вероятность степени срабатывания j-го правила, выраженное в процентах.5. Структура нечеткой нейронной сетиНейронные сети – это одно из направлений исследований в области искусственного интеллекта, основанное на попытках воспроизвести нервную систему человека, а именно способность нервной системы обучаться и исправлять ошибки, что должно позволить смоделировать, хотя и достаточно грубо, работу человеческого мозга.Способности к обучению нейронных сетей могут усиливаться за счет применения технологии обработки информации, основанной на аппарате нечёткой логики.