В статье представлены результаты работы по созданию интеллектуальных средств поддержки принятия решений для диагностики предраковых заболеваний и опухолей слизистой оболочки рта.
Актуальность. Актуальность исследования обусловлена необходимостью повышения качества оказания первичной медико-санитарной помощи пациентам с указанным заболеванием.
Целью работы явилось создание методики интеллектуальной поддержки принятия решений при диагностике опухолевых заболеваний слизистой оболочки полости рта.
Методы проведения работы. Методика основана на обобщении опыта практикующих врачей. На первом этапе исследовались диагностические параметры заболевания. На основе анализа все диагностические данные были разбиты на три большие группы: жалобы пациента, данные осмотра, сопутствующие факторы риска и образа жизни пациентов. При последующем анализе каждая группа данных была представлена набором параметров. Каждой группе параметров и каждому из параметров методом экспертных оценок присвоены соответствующие весовые коэффициенты (показатель «значимости» признака). Для удобства, сумма весовых коэффициентов по каждой группе параметров и по каждому параметру равнялась единице. С помощью этих весовых коэффициентов был осуществлен переход к показателям, позволяющим оценивать ожидание подтверждения предполагаемого прогноза.
Результаты работы. На основании весовых данных путем разработки продукционных моделей знаний и реализации методики нечетких множеств созданы модели, позволяющие оценить степень уверенности в диагнозе. Реализация данной методики позволит врачам — практикам получать обоснованные решения, обобщающие коллективные знания врачей-экспертов. Такие интеллектуальные решения можно рассматривать только как некую подсказку специалисту, а не единственный, безальтернативный вариант. По мере функционирования системы, модели будут уточняться, что повысит эффективность работы экспертной системы.
Выводы. На основании выполненного исследования предложены: новый подход к классификации и выявлена структура параметров, позволяющих предполагать онкопатологию у пациентов; новая формальная методика диагностики онкопатологии слизистой оболочки полости рта, предполагающая выработку тактики ведения пациента; продукционная база знаний для автоматизированной диагностики патологий слизистой оболочки полости рта.
Область применения результатов. Результаты работы могут применяться как дополнительный инструмент, позволяющий врачу сверить свою постановку диагноза, либо выбранную тактику ведения пациента.
Актуальность. Актуальность исследования обусловлена необходимостью повышения качества оказания первичной медико-санитарной помощи пациентам с указанным заболеванием.
Целью работы явилось создание методики интеллектуальной поддержки принятия решений при диагностике опухолевых заболеваний слизистой оболочки полости рта.
Методы проведения работы. Методика основана на обобщении опыта практикующих врачей. На первом этапе исследовались диагностические параметры заболевания. На основе анализа все диагностические данные были разбиты на три большие группы: жалобы пациента, данные осмотра, сопутствующие факторы риска и образа жизни пациентов. При последующем анализе каждая группа данных была представлена набором параметров. Каждой группе параметров и каждому из параметров методом экспертных оценок присвоены соответствующие весовые коэффициенты (показатель «значимости» признака). Для удобства, сумма весовых коэффициентов по каждой группе параметров и по каждому параметру равнялась единице. С помощью этих весовых коэффициентов был осуществлен переход к показателям, позволяющим оценивать ожидание подтверждения предполагаемого прогноза.
Результаты работы. На основании весовых данных путем разработки продукционных моделей знаний и реализации методики нечетких множеств созданы модели, позволяющие оценить степень уверенности в диагнозе. Реализация данной методики позволит врачам — практикам получать обоснованные решения, обобщающие коллективные знания врачей-экспертов. Такие интеллектуальные решения можно рассматривать только как некую подсказку специалисту, а не единственный, безальтернативный вариант. По мере функционирования системы, модели будут уточняться, что повысит эффективность работы экспертной системы.
Выводы. На основании выполненного исследования предложены: новый подход к классификации и выявлена структура параметров, позволяющих предполагать онкопатологию у пациентов; новая формальная методика диагностики онкопатологии слизистой оболочки полости рта, предполагающая выработку тактики ведения пациента; продукционная база знаний для автоматизированной диагностики патологий слизистой оболочки полости рта.
Область применения результатов. Результаты работы могут применяться как дополнительный инструмент, позволяющий врачу сверить свою постановку диагноза, либо выбранную тактику ведения пациента.
Литература
1. Антонова И.В., Чикина Н.А. Экспертная система оценки риска развития заболеваний как основа системы медицинского страхования профпатологии // Современные информационные и электронные технологии. — 2013. — Т.1(14). — С.99-101.
2. Злокачественные новообразования в России в 2018 году (заболеваемость и смертность) / под ред. А.Д. Каприна, В.В. Старинского, Г.В. Петровой. — Москва: ФГБУ «МНИОИ им. П.А. Герцена» — филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2019. — 250 с.
3. Давыдов А.Б., Лебедев С.Н., Румянцева И.К., Назаров В.И. Профилактика и ранняя диагностика — приоритетные направления в онкостоматологии Тверского региона // Верхневолжский медицинский журнал. — 2015. — Т.13. — №1. — С.11-16.
4. Состояние онкологической помощи населению России в 2018 году / под ред. А. Д. Каприна, В. В. Старинского, Г. В. Петровой. — Москва: ФГБУ «МНИОИ им. П.А. Герцена» — филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2019. — 236 с.
5. Шигина А.А. Применение технологии экспертной системы при построении интеллектуальных систем поддержки принятия решений // Научно-методический электронный журнал Концепт. — 2014. — T.20. — С.3566-3570.
6. Лебедев С.Н., Давыдов А.Б., Бурдо Г.Б. Основы применения экспертных систем искусственного интеллекта в ранней диагностике карциномы полости рта // Верхневолжский медицинский журнал. — 2020. — Т.19, №3. — С. 27-29.
7. Бурдо Г.Б., Болотов А.Н. Механизм машинного обучения в системах автоматизированного проектирования // Вестник Тверского государственного технического университета. Серия: Технические науки. — 2021. — №4(12). — С.66-75.
8. Рыбина Г.В. Основы построения интеллектуальных систем: учебное пособие. — М.: Финансы и статистика; Инфра-М, 2010. — 432 с.
9. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. — Санкт Петербург: Питер-пресс, 2016. — 162 с.
10. Заде. Л. Понятие лингвистической переменной и ее применение к понятию приближенных решений. — М.: Мир, 1976.
11. Дьяков В., Круглов В. Математические пакеты расширения MATLAB: специальный справочник. — СПб.: Питер, 2001. — 480 с.
2. Злокачественные новообразования в России в 2018 году (заболеваемость и смертность) / под ред. А.Д. Каприна, В.В. Старинского, Г.В. Петровой. — Москва: ФГБУ «МНИОИ им. П.А. Герцена» — филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2019. — 250 с.
3. Давыдов А.Б., Лебедев С.Н., Румянцева И.К., Назаров В.И. Профилактика и ранняя диагностика — приоритетные направления в онкостоматологии Тверского региона // Верхневолжский медицинский журнал. — 2015. — Т.13. — №1. — С.11-16.
4. Состояние онкологической помощи населению России в 2018 году / под ред. А. Д. Каприна, В. В. Старинского, Г. В. Петровой. — Москва: ФГБУ «МНИОИ им. П.А. Герцена» — филиал ФГБУ «НМИЦ радиологии» Минздрава России, 2019. — 236 с.
5. Шигина А.А. Применение технологии экспертной системы при построении интеллектуальных систем поддержки принятия решений // Научно-методический электронный журнал Концепт. — 2014. — T.20. — С.3566-3570.
6. Лебедев С.Н., Давыдов А.Б., Бурдо Г.Б. Основы применения экспертных систем искусственного интеллекта в ранней диагностике карциномы полости рта // Верхневолжский медицинский журнал. — 2020. — Т.19, №3. — С. 27-29.
7. Бурдо Г.Б., Болотов А.Н. Механизм машинного обучения в системах автоматизированного проектирования // Вестник Тверского государственного технического университета. Серия: Технические науки. — 2021. — №4(12). — С.66-75.
8. Рыбина Г.В. Основы построения интеллектуальных систем: учебное пособие. — М.: Финансы и статистика; Инфра-М, 2010. — 432 с.
9. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. — Санкт Петербург: Питер-пресс, 2016. — 162 с.
10. Заде. Л. Понятие лингвистической переменной и ее применение к понятию приближенных решений. — М.: Мир, 1976.
11. Дьяков В., Круглов В. Математические пакеты расширения MATLAB: специальный справочник. — СПб.: Питер, 2001. — 480 с.
Для цитирования
Бурдо Г.Б., Лебедев С.Н., Лебедева Ю.В., Лебедев И.С. Средства поддержки принятия решений при диагностике новообразований челюстно-лицевой области. Врач и информационные технологии. 2022; 4: 40-51. doi: 10.25881/18110193_2022_4_40.
Документы
Ключевые слова