Автоматизированные системы для распознавания патологических состояний методами вычислительной диагностики

С начала 1960-х гг. при решении задач дифференциальной диаг­ностики использовались методы математической статистики и распознавания образов (под образами понимаются классифици­руемые классы — заболеваний, состояний). В России первыми применили вычислительную диагностику Н. М.Амосов и М.Л. Быховский.

Вычислительная диагностика используется для решения задач:

· клинической дифференциальной диагностики;

· выявления лиц с повышенным риском заболевания при мас­совых профилактических или профессиональных осмотрах;

· прогнозирования течения заболевания, эффективности лече­ния, оценки тяжести состояния, исхода заболевания.

Примерный план действий при разработке алгоритма (реша­ющего правила) для дифференциальной диагностики заболева­ний (состояний, синдромов) в большинстве случаев состоит из четырех этапов.

1. Постановка задачи. Формулируется перечень заболеваний (син­дромов, состояний), которые необходимо распознавать с помо­щью разрабатываемого правила. При этом необходимо учитывать, что все объекты (пациенты) должны описываться определенным набором параметров, с помощью которых предположительно мож­но будет распознать эти объекты. Формируется их перечень. Созда­ется формализованная карта параметров с их градациями. Продумывается система (шкала) кодирования градаций параметров.

2. Формирование обучающей выборки. Чтобы приступить к реше­нию задачи дифференциальной диагностики, нужно иметь неко­торое множество реальных историй болезни с известными вери­фицированными диагнозами, которые и будет распознавать пост­роенное в будущем решающее правило. Такое множество необхо­димо для анализа материала с целью определения статистически «типичной» картины для каждого рассматриваемого заболевания (состояния, синдрома) — образа заболевания.

Однако важно понимать, что в обучающую выборку должны войти все пациенты за определенный (обычно несколько лет) период работы клиники или случайно отобранные больные, со­ответствующие сформулированным критериям отбора. Неслучай­ный отбор пациентов может привести к разработке узконаправ­ленного правила.

Необходимо отметить, что сформировать обучающую выборку можно как на ретроспективном материале (по историям болез­ни), так и в проспективном исследовании. Чрезвычайно важны полнота собираемого клинического материала и его объем при минимальном числе пропущенных значений используемых пара­метров.

Формализованные карты всех пациентов, входящих в обуча­ющую выборку, заносятся в массив (например, в таблицу MS Excel), который впоследствии и будет обрабатываться для получения диа­гностического алгоритма.

3. Исследование параметров на информативность и минимизация их количества. Подходов к исследованию параметров на информа­тивность при дифференциальной диагностике и решении задач прогнозирования достаточно много. Это и подсчет частот, и при­менение методов параметрической и непараметрической стати­стики для исследования различий средних значений выборок, точ­ного метода Фишера, метода Байеса (например, для оценки ди­агностической информативности совокупности отобранных пара­метров) и др.

Важно, что в результате такого исследования в рассмотрении остаются наиболее информативные параметры, число которых существенно сокращается, причем без ущерба для конечной цели — распознавания дифференцируемых состояний. Наоборот, повы­шение качества распознавания происходит при отборе наиболее информативных параметров, так как при этом отсеиваются пара­метры, создающие так называемый «шум», т.е. не имеющие диф­ференциально-диагностической ценности.

Для минимизации количества параметров можно (и часто нуж­но) использовать математические методы, например корреляци­онный анализ. Если имеет место сильная корреляция, то один из пары параметров следует убрать из набора. В этом случае необхо­димо рассматривать как клинические аргументы, так и аргументы с позиции здравого смысла (например, какой из параметров труд­нее и дороже измерять, тот из пары и следует исключить).

4. Получение решающего правила и его оценка. Для получения диагностического алгоритма часто используют принципы класте­ризации, методы множественного статистического анализа: дискриминантный, регрессионный, нейросетевой и др. В настоящее вре­мя для этого в большинстве случаев используют известные стати­стические пакеты: SPSS, Statistica и др.

Два принципиально различных подхода к распознаванию — вероятностный (стохастический) и детерминистский — выдают решение в различной форме. При вероятностном подходе ответ сопровождается оценкой (обычно в процентах), указывающей на возможность того или иного диагноза (прогноза). При детермини­стском однозначно указывается один из возможных вариантов ответа.

Критериев качества распознавания несколько. Одним из них является процент правильных отнесений (или наоборот — число ошибок распознавания) на обучающей выборке. Принято оцени­вать чувствительность диагностического алгоритма и его специ­фичность.

Чувствительность — доля пациентов с диагностированным за­болеванием среди всех пациентов с данным заболеванием в обу­чающей выборке, т.е. отношение числа истинно положительных результатов к числу случаев с наличием заболевания.

Специфичность — это доля пациентов с диагностирован­ным заболеванием среди пациентов без данного заболевания в обучающей выборке, т.е. отношение числа истинно отрицатель­ных результатов к общему числу случаев с отсутствием заболева­ния.

Одним из способов оценки качества полученного диагности­ческого алгоритма является проведение скользящего экзамена. Суть его заключается в том, что данные каждого пациента по очереди исключаются из обучающей выборки, процедура классификации повторяется без него, а затем данные исключенного пациента подставляются в полученное правило и оценивается правильность диагностики.

Достаточно распространенным подходом к оценке полученно­го диагностического алгоритма остается его проверка на конт­рольной (экзаменационной) выборке ретроспективных данных и в опытной эксплуатации в проспективном исследовании. Этапы распознавания можно представить следующим образом:

1) предварительный анализ данных и минимизация простран­ства параметров;

2) классификация на обучающий выборке;

3) контроль результатов классификации на экзаменационной выборке.

Весь описанный процесс разработки диагностических алгорит­мов кроме первого этапа, на котором активно участвует врач как эксперт, и оценки эффективности полученного решающего пра­вила обычно осуществляется с минимальным участием врача. Он является пользователем системы. Современные системы не только строят диагностическое заключение (нозологический диагноз, синдромальный диагноз и др.), но и представляют его в виде, облегчающем интерпретацию.

Автоматизированные системы вычислительной диагностики могут быть полезны для начинающих врачей, клинических орди­наторов, фельдшеров. В особенности это касается необходимости принятия решений в отношении редких заболеваний. Высокоэф­фективным является применение таких систем при неотложных состояниях (в условиях дефицита времени на принятие решений при небольшом объеме имеющейся о пациенте информации), особенно в дистанционном режиме.

С конца 1970-х до середины 1980-х гг. в Российской Федерации осуществлялась масштабная программа по разработке и внедре­нию системы дистанционной консультативной диагностики (ру­ководитель программы — С. А. Гаспарян). В ее реализации участво­вали восемь медицинских вузов и клинических НИИ, три терри­ториальных медицинских вычислительных центра.

Целью разработки было создание системы вычислительной диагностики, позволяющей осуществлять дифференциальную ди­агностику заболеваний в дистанционном режиме при неотлож­ных состояниях: нарушениях мозгового кровообращения, травмах черепа, ишемической болезни сердца, инфаркте миокарда, ост­рых заболеваниях органов брюшной полости, таза, забрюшинного пространства, в том числе в педиатрической практике.

В середине 1980-х гг. система была внедрена в 48 администра­тивных территориях РФ на базе круглосуточно работающих кон­сультативных диагностических центров при отделениях санитар­ной авиации. Дистанционная диагностика осуществлялась путем телефонного или радиообщения между врачом, обратившимся за консультацией, и дежурным оператором центра (средним меди­цинским работником). Врач диктовал номера признаков форма­лизованной карты осмотра больного дежурному оператору цент­ра, который вводил эти данные в компьютер и передавал врачу результаты диагностического заключения. Пользователю переда­вался также перечень признаков, которые могли бы повысить ка­чество диагностики при повторной обработке данных, и выдава­лась рекомендация о времени повторного обращения в центр.

В системе детского здравоохранения была создана ассоциация «Неотложная педиатрия» (руководитель — Э. К. Цыбулькин), объединившая ЛПУ более 10 регионов — пользователей системы дистанционного вычислительного консультирования.

Средний уровень правильной диагностики, осуществляемой врачами районных и сельских больниц, в то время составлял 62 %. Анализ 40 тыс. консультаций, осуществленных консультативными диагностическими центрами, показал, что использование систе­мы вычислительной диагностики позволило поднять уровень пра­вильно диагностированных случаев до 87 %, а при повторной об­работке данных на расширенном наборе признаков — до 95 %.

Подобные разработки могут иметь хорошие перспективы для использования при дистанционной диагностике с помощью со­временных телемедицинских технологий (см. гл. 4).

Системы для распознавания патологических состояний мето­дами вычислительной диагностики могут использоваться как от­дельно, так и в составе автоматизированных рабочих мест врачей разных профилей.

Существенным недостатком большинства диагностических ал­горитмов, построенных с помощью методов распознавания обра­зов, была и остается непрозрачность их логики для медицинского персонала. Врачи, работающие с такими системами, пытаются интерпретировать хотя бы набор признаков, вошедших в диагно­стический алгоритм, но не могут понять логику решений автома­тизированной системы.