INFORMATION SUPPORT OF MEDICAL TECHNOLOGIES, AUTOMATION OF PROCESS OF FORECASTING AND OPTIMIZATION OF THE CHOICE OF SCHEMES OF TREATMENT

Abstract


Constantly collecting information and archival material sets the task to automate process of forecasting of development of a disease and a choice of the optimum scheme of treatment. The solution of these tasks allows to increase operability of biological and medical system, ways of management of them. The correct selection and preparation of statistical information is necessary. For researches of results of measurement one of the most suitable ways is Uilkokson's criterion

Актуальность. Диагностические и лечебные задачи всегда имеют различные способы решения. Наибольший интерес представляют системы выбора оптимальной лечебной тактики. Большой интерес представляет задача формирования прогностических моделей заболеваний, учитывающих накопленный архивный материал и позволяющих автоматизировать процесс прогнозирования развития заболевания и выбора оптимальной схемы лечения [1, 2, 6, 7, 8]. В настоящее время отмечен значительный рост информационного обеспечения различных медицинских технологий, которые являются негативным фактором развития во многих областях знаний, отчего задачи оптимизации и внедрения современных информационных систем является на сегодняшний день наиболее актуальными. Анализ показал, что компьютеры и персональные ЭВМ в лечебных учреждениях используются в основном для обработки текстовой документации, хранения, обработки баз данных, ведения статистических и финансовых расчетов. Небольшое количество электронно-вычислительной техники используется в различных диагностических и лечебных приборах [3, 4, 5, 6, 7, 8]. Диагностические и дифференциально-диагностические задачи, прогнозирование, стратегия и тактика лечения зачастую имеют несколько способов решения и неопределённый характер ответа. Исследования, которые проводились с различными правилами и различной последовательность, показали, что задачи диагностики и лечения, с неясным характером, решаются методами совершенно недоста-точными для широкого практического использования в конкретных задачах. Наибольший практический интерес представляют системы для дифференциально-диагностических мероприятий и выбора оптимальной тактики лечения [3, 4, 5]. Особый и неоспоримый интерес представляет задача по формированию прогностических моделей заболевания, который учитывает накопленный архивный материал и позволяет автоматизировать прогностический процесс заболевания и выбор оптимальной схемы лечения. Материал и методы исследования. Принимая во внимание, что процессы лечения специфичны, то для их моделирования применяется пассивный эксперимент, который проводится при использовании полученной экспериментальной и архивной информации или путем наблюдения за процессом лечения. Результаты, полученные на основе моделирования используются для принятия решений о работоспособности биомедицинской системы, способах управления ею. Решение о работоспособности принимается по тому, выходят или не выходят характеристики системы за установленные границы при любых допустимых изменениях параметров. Наиболее сложной задачей является оптимизация биомедицинской системы, когда требуется определить сочетание значений переменных показателей системы или рабочей нагрузки из множества допустимых, прогнозировать качество ее функционирования, создать системы управления медицинскими архивами, прогнозирования заболеваний и статистического анализа данных. Для оптимального функционирования биомедицинской системы и определения точности построенных моделей большую роль оказывает правильный отбор и подготовка статистической информации [2]. Для статистических исследований результатов измерения наиболее приемлемым является критерий Уилкоксона. Полученные результаты и их обсуждение. Критерий Уилкоксона предназначен для решения статистических задач о сдвиге распределения совокупности случайных величин и позволяет определить тенденцию изменения параметра положения исследуемой совокупности. Суть критерия состоит в следующем. Пусть имеется 2n наблюдений, по два наблюдения на каждый из n объектов. В первой группе наблюдений фиксируются значения некоторой величины Xj, i = 1,2, ... , n, во второй группе - значения этой же случайной величины Yj, i = 1,2, ... , n, но уже в других условиях (например, на другом расстоянии, или через определённый интервал времени.). Для решения задачи каждому объекту исследования в соответствие ставится разностная величина: Zj = Yj - Х i = 1,2, ... , n, (1) и принимается её модель: Zj = е + е j, i = 1,2, ... , n, (2) где ej - ненаблюдаемые случайные величины, взаимно независимые и принадлежащие непрерывной совокупности, которая симметрична относительно нуля; θ- независимый параметр «эффекта обработки», в отношении которого надо вынести одно из трёх решений: θ = о, θ < о или θ > о. Принято по критерию Уилкоксона решение указывает на поведение совокупности исходных данных: θ = о - совокупность не изменяет положения; θ <о - значения наблюдаемой величины имеют тенденцию к уменьшению; θ > о значения наблюдаемой величины имеют тенденцию к увеличению. Далее выдвигается гипотеза Но: параметр θ равен нулю и проверяются условия на её принятие или отклонение в пользу какой- либо из альтернатив: θ<о или θ > о. Алгоритм проверки гипотезы Но включает следующие пункты: - вычисляются абсолютные разности │Zj│, i = 1,2, ... , n; - каждой величине │Zj│ присваивается ранг Rj в совместной ранжировке от меньшего к большему для последовательности │Z.1│, │Z2│,... │Zn│; - определяются переменные - счётчики Ψ , i = 1,2, ... , n, где - вычисляются произведения Ri x Ψ i = 1,2, ... , n; - вычисляется статистика Уилкоксона Т по формуле: (3) - далее статистика Т сравнивается со своими готовыми значениями и по результатам сравнения выносятся решения: 1. Для проверки Но против альтернативы θ > о: если T≥ (a, n), гипотеза Но отклоняется, если Т < t (а ,n), гипотеза Но принимается. 2. Для проверки Но против альтернативы θ < о: если , гипотеза Но отклоняется, (4) если , гипотеза Но принимается, (5) Константа t(α,n) определяется как пороговое значение статистики Т, вероятность превышения которого равна (α). Вероятность (α) называют уровнем значимости или вероятностью ошибки. Чаще всего α принимают равной 0,05. Критерий Уилкоксона имеет приближение для большой выборки (т.е. при n→∞). Алгоритм проверки гипотезы Но в этом случае: 1) вычисляется статистика Т* по формуле: (6) 2) сравнивается с порогом Z( ): если Т* ≥ Z (α), гипотеза Но отклоняется, если Т < Z (α), гипотеза, но принимается, где Z (α) - верхняя α -процентная точка нормального распределения. Замечания к методу. 1. Если среди Zi есть нулевые, то их следует отбросить и сократить n до числа нулевых значений Zi. 2. Если среди │Zi│ есть равные, то для их ранжировки используют средние ранги. Выводы. Способ дифференциальной оценки позволяет на основании полученных данных оценить модель патологии, составить рациональную программу лечения.

V M Uskov

air force Academy named after Professor N. E. Zhukovsky and Y. A. Gagarin

Email: vm.uskov.card@mail.ru

I V Teslinov

Voronezh state medical University

V A Teslinov

BUZ VO «Khokholskaya RB»

  1. Айвазян С.А. Прикладная статистика и основы эконометрики: учебник для вузов / С.А. Айвазян, В.С. Мхитарян. - М.: ЮНИТИ, 1998. - 1022 с.
  2. Бабкин А.П. Алгоритмизация выбора оптимальной тактики лечения сосудистых поражений. Воронеж, 2002.- 224 с.
  3. Усков В.М., Веденеев А.И., Теслинов И.В. Взаимосвязь между степенью тяжести и показателями качества жизни у больныххронической обструктивной болезнью лёгких, протекающей на фоне ожирения. Кардиоваскулярная терапия и профилактика. 2014. Т. 13. № S2. С. 119.
  4. Усков В.В., Золоедов В.И., Усков В.М. Оптимизация лечения больных артериальной гипертонией на фоне сахарного диабета 2 типа. Вестник новых медицинских технологий. 2013. Т. 20. № 2. С. 240-243.
  5. Усков В.М. Статистический контроль эффективности лечения артериальной гипертензии у больных с ожирением / В.М. Усков, Е.В. Маркова, В.И. Золоедов III // Международный форум кардиологов и терапевтов. 24-26 марта 2014, г. Москва. Материалы форума. Кардиоваскулярная терапия и профилактика. 2014; 13 (март). С. 119.
  6. Усков В.М., Усков М.В. Применение нейронного моделирования в диагностике и лечении осложнений инфаркта миокарда / В.М. Усков, М.В. Усков // Вестник новых медицинских технологий. 2006. Т. 13. № 2. С. 18-20.
  7. Усков В.В., Золоедов В.И., Усков В.М. Оптимизация лечения больных артериальной гипертонией на фоне сахарного диабета 2 типа / В.В. Усков, В.И. Золоедов, В.М. Усков // Вестник новых медицинских технологий. 2013. Т. 20. № 2. С. 240-243.
  8. Усков В.М., Струк Ю.В., Бондарев С.С. Психологическая помощь и организация психопрофилактического процесса сотрудникам силовых структур / В.М. Усков, Ю.В. Струк, С.С. Бондарев // ГОУ ВПО «Воронежский гос. технический ун-т», Воронеж, 2009. 154 с.

Views

Abstract - 0

PDF (Russian) - 0

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies