ѕ–»ћ≈Ќ≈Ќ»≈ √≈Ќ≈“»„≈— ќ√ќ јЋ√ќ–»“ћј ƒЋя ƒ»‘‘≈–≈Ќ÷»јЋ№Ќќ… ƒ»ј√Ќќ—“» » ѕќƒ“»ѕќ¬ “–јЌ«»“ќ–Ќџ’ »Ў≈ћ»„≈— »’ ј“ј 

√лавна€ ї ѕубликации ї ѕ–»ћ≈Ќ≈Ќ»≈ √≈Ќ≈“»„≈— ќ√ќ јЋ√ќ–»“ћј ƒЋя ƒ»‘‘≈–≈Ќ÷»јЋ№Ќќ… ƒ»ј√Ќќ—“» » ѕќƒ“»ѕќ¬ “–јЌ«»“ќ–Ќџ’ »Ў≈ћ»„≈— »’ ј“ј 

ћедицинский ∆урнал, 2008, є 4

ѕ–»ћ≈Ќ≈Ќ»≈ √≈Ќ≈“»„≈— ќ√ќ јЋ√ќ–»“ћј ƒЋя ƒ»‘‘≈–≈Ќ÷»јЋ№Ќќ… ƒ»ј√Ќќ—“» » ѕќƒ“»ѕќ¬

“–јЌ«»“ќ–Ќџ’ »Ў≈ћ»„≈— »’ ј“ј 

Ќ.ј. Ќовоселова, ≈.Ќ. јпанель, Ѕ.¬. ƒривотинов, ј.—. ћастыкин

 

ќбъединенный »нститут ѕроблем »нформатики ЌјЌ Ѕеларуси , ћинск, Ѕеларусь

–еспубликанский научно-практический центр неврологии и нейрохирургии, ћинск, Ѕеларусь                           

Ѕелорусский государственный медицинский университет, ћинск

                                                                                     

 

N.A. Novoselova, E.N. Apanel,  B.V. Drivotinov, A.S. Mastykin

GENETIC ALGORITHM FOR THE ISCHEMIC TRANSIENT ATTACKS SUBTYPES DIFFERENTIAL DIAGNOSTICS

 

÷ель насто€щего исследовани€ – проанализировать возможности генетического алгоритма (√ј) дл€ распознавани€ подтипов транзиторных ишемических атак, и сопоставить полученные результаты с результатами дифференциальной диагностики этих подтипов по адаптивному нейросетевому классификатору (јЌ ).

Ёто исследование проведено как продолжение намерени€ максимально оптимизировать и сделать более точными классификационные решени€ по распознаванию подтипов транзиторных ишемических атак (“»ј) с учетом гетерогенности кардиоцереброваскул€рной патологии [1, 2, 4, 5, 8, 9, 13, 14]. ѕри этом предполагаетс€ интерактивное общение «врач-классификатор» в поиске предпочтительного решени€ по прин€тым во внимание критери€м (точность, простота выполнени€ алгоритма решени€, доступность информации по прин€тым в рассмотрение признакам-предикторам и т.д.) [13, 14].

√ј и јЌ  – это алгоритмы, «подсмотренные» у живых организмов в распознавании образов (объектов) в процессе их жизнеде€тельности и заимствованные от их природы. ¬ самих живых организмах такие алгоритмы функционируют в «диком» режиме, таком, каким их создала ѕрирода в процессе эволюции, но помещенные человеком в рамки формальной логики они станов€тс€ доступными как искусственный инструмент дл€ практической работы в обществе и в научных исследовани€х [3, 21, 25, 27, 30, 31].

—огласованность и адаптационна€ эффективность совместной работы функциональных систем живого организма привлекали и заставл€ли задуматьс€ над возможностью формализации этой работы с целью большей результативности в решени€ прикладных практических задач в самых различных област€х знаний и социальной де€тельности. ¬месте с этим €сно, что такое свойство живых организмов возникло не сразу и не вдруг, а есть результат длительного многовекового эволюционного развити€ с постепенным усложнением решени€ распознавательных и прогностических задач в процессе борьбы за выживание. Ёто результат естественного отбора в длительном и драматичном континууме проб и ошибок все усложн€ющегос€ процесса приспособлени€ к мен€ющимс€ и усложн€ющимс€ услови€м жизни.

 

1. ќбщие предпосылки к постановке дифференциально-диагностической задачи

ѕрименительно к решению конкретной прикладной медицинской задачи распознавани€ (дифференциальной диагностики) подтипов “»ј использование адаптивных нейросетевых и генетических алгоритмов призвано значительно уменьшить нагрузку на интеллект врача во все обостр€ющемс€ конфликте между необходимостью больше знать и максимально быстро оперировать этими знани€ми [7, 13, 14, 25, 31].

¬ этом исследовании проведен анализ работы √ј на имеющихс€ клинических наблюдени€х, приведенных в обучающей выборке [7-9, 11-14]. ‘ормально-логически здесь преследуетс€ цель решени€ дифференциально-диагностической задачи по двум оптимизируемым и конкурирующим критери€м:

·       минимизаци€ ошибки классификации (больша€ точность);

·       минимальное количество отобранных признаков-предикторов;

— точки зрени€ общеприн€того представлени€, чем больше прин€то в рассмотрение признаков-критериев, тем реальнее ожидать большей точности, и наоборот. » здесь надо найти компромиссное решение, удовлетворительное по обоим критери€м.

–азработанный √ј используетс€ дл€ диагностики “»ј и протестирован на обучающей выборке, включающей 101 наблюдение клинически выверенных случаев пациентов с атеротромботическим этиопатогенезом эпизодов “»ј (—уб“»ј1) – 22 наблюдени€, кардиоэмболическим (—уб“»ј2) – 23 наблюдени€, гипертензиным (—уб“»ј3) – 22 наблюдени€.  онтрольна€ группа Ќќ–ћј включает 34 наблюдени€.  аждое наблюдение характеризуетс€ по 41 клиническому и персональному признаку-предиктору [22, 23]*. ѕри формировании обучающей выборки особое внимание удел€лось пациентам с возможностью у них экстрацеребрального нарушени€ кровообращени€ в бассейне a. auditiva interna. “акие случаи в исследование не включались.

 

2. ќбщие представлени€ о генетическом алгоритме

¬первые описание √ј было сделано Ћ.‘огелем, ј. ќуенсом и ћ. ”олшем, в их концепции эволюции логических автоматов [21]. ќднако достаточно четко и максимально приближенно к решению прикладных задач в науке и обществе эта биологическа€ концепци€ эволюции и адаптации логических автоматов была сформулирована ƒж. ’олландом [27], который считаетс€ «отцом генетического алгоритма». ќтличительной особенностью √ј €вл€етс€ их эволюционирующий консерватизм - они моделируют преимущественно только то, что €вл€ютс€ существенным дл€ устойчивой работы.

—амо описание √ј строитс€ на формализованной трактовке терминов, заимствованных из генетики. ¬ общих чертах, в этих терминах, функциональной единицей €вл€етс€ формальна€ хромосома, бинарный вектор, в котором выдел€ютс€ отдельные участки – формальные гены, которые в определенных его позици€х, формальных аллел€х, могут измен€ть свои значени€, подвергатьс€ мутации, под вли€нием различных воздействующих внешних факторов, табл. 1.

√ј позвол€ет решать прикладные задачи путем кодировани€ ее решени€ в формальной хромосоме. —тепень отклонени€ нового решени€ задачи классификации от цели оптимизации, определ€ема€ в √ј значением меры его приспособленности  позвол€ет вли€ть на дальнейший ход отбора решений в новую попул€цию √ј. Ќапример, такой мерой (характеристикой, категорией) приспособленности может быть отношение стоимость/качество проведени€ лабораторного исследовани€. ѕричем решени€ с низкой степенью приспособленности представлены в новой попул€ции в меньшей степени [13].

¬ такой интерпретации нетрудно заметить виртуальное (мнимое зеркальное), экстраполированное в область математической абстракции, отражение реального процесса жизнеде€тельности живого организма в стремлении сохранить своей неповторимой облик и свою самобытность, тем самым сохранить себ€ от внешних мутагенных воздействий.

Ётим обеспечиваетс€ устойчивость работы классификационной экспертной системы (Ё—), построенной с использованием √ј, и защита ее от информационного замусоривани€ во взаимосв€зи входных признаков-предикторов с распознавательным решением на выходе “мусор на входе – мусор на выходе” (“garbage in, garbage out”, GIGO). —ледует заметить, что статистические классифицирующие системы не защищены от вли€ни€ эффекта GIGO.

¬ контексте описани€ √ј следует кратко сказать несколько слов о так называемом генетическом детерминизме, который в среде биологов и психологов вызывает жаркие и зат€жные дискуссии и в которые, в нашем случае, углубл€тьс€ не стоит. ¬ нашем представлении формально-логическа€ интерпретаци€ генетических процессов может служить дл€ обосновани€ способности классифицирующего логического автомата к консервативному изначальному стремлению к «исходной истине».

 

 

“аблица 1. ќсновные термины и пон€ти€ генетического алгоритма

єє

пп

“ермин в трактовке генетического алгоритма

ѕо€снение

 

1

÷ель оптимизации

состоит в том, чтобы найти единственное лучшее возможное решение задачи по одному или нескольким критери€м.

2.

’ромосома

 

ќптимизируемое классификационное решение (и далее в эволюционном процессе оптимизации).

3.

4.

5.

6.

7.

√ен (несколько бит)

Ћокус (местоположение)

јллель

ќсобь

ѕопул€ци€

„асть классификационного решени€.

ѕозици€ гена в хромосоме.

¬озможное значение гена по нескольким битам.

ќдно из возможных решений задачи оптимизации. —лучайный набор возможных решений задачи оптимизации.

8.

 

 

 

9.

 

10.

–епродукци€ (отбор хромосом)

 

 

—крещивание (кроссинговер)

 

ћутаци€

ѕроцесс, в котором хромосомы (оптимизируемые классификационные решени€) копируютс€ в промежуточную попул€цию по значени€м целевой  функции.

—крещивание хромосом; обмен отрезками хромосом «родителей»

ѕроизвольна€ модификаци€ хромосомы; фонова€ операци€, производ€ща€ случайное изменение в различных хромосомах; иногда с участием инверсии.

11.

÷елева€ (фитнес) функци€, то же что и

оценочна€ функци€ и мера приспособленности

ќценка близости каждой особи (возможного решени€ задачи) к оптимальному решению задачи; функци€ оценки или функци€  цели  в задачах оптимизации.

12.

13.

√енотип

‘енотип

«акодированное решение

–аскодированное решение

 

 

¬ нашем случае √ј €вл€етс€ технологической основой дифференциально-диагностической Ё— и работает с совокупностью-попул€цией "особей" – классификационных решений, где каждое рассматриваемое решение оцениваетс€ мерой приспособленности, определ€емой с учетом двух критериев, перечисленных в разделе 1 (с использованием обучающей выборки по подтипам “»ј и классу Ќќ–ћј).

‘ормально-логически использование нескольких критериев при оценке значени€ меры приспособленности позвол€ет получить несколько недоминируемых решений, тем самым, предоставл€€ врачу возможность отбора, наиболее соответствующего с его точки зрени€, классификатора с учетом прин€тых в рассмотрение критериев. ¬ нашем исследовании функциональной единицей √ј €вл€етс€ строка формальной хромосомы - бинарного вектора, где каждый из n бит (формальна€ аллель) соответствует значению отдельного признака-предиктора, рис. 1, которые формируют классификатор согласно принципу ближайших соседей (nearest-neighbor matching) [13, 29]**.

 

 

 

–исунок 1 – n-мерный бинарный вектор, определ€ющий особь попул€ции генетического алгоритма дл€ отбора признаков

 

 

3. ‘ормально-логическа€ постановка дифференциально-диагностической задачи

ѕри решении дифференциально-диагностической или какой-либо другой распознавательной задачи практически всегда по умолчанию преследуетс€ цель получить оптимальные много- или поликритериальные решени€ по нескольким предпочтительным  критери€м. Ёто – желаемое. ¬ действительности же большинство распознавательно-диагностических методов как традиционных клинико-лабораторных, так и разработанных на базе компьютерных технологий выдают решение по какому-то одному критерию, более или менее учитывающему интерес и по другим критери€м. ƒл€ нахождени€ компромиссного поликретериального решени€ между желаемым и действительным такого класса распознавательных дифференциально-диагностических задач используетс€ поликритериальный эволюционный √ј [13, 26, 30].

ѕоликритериальные решени€ распространены, в частности, в экономике и маркетинге в рамках концепции локального лидерства на базе ѕарето-оптимальности – оптимального решени€ по нескольким критери€м, где ѕарето-оптимальность продукта представл€етс€ трем€ конкурентными критери€ми (характеристиками) – цена, качество, конкурентоспособна€ рыночна€ привлекательность. ¬ медицинской практике такой аналогичный подход может осуществл€тьс€ по критери€м гендерной принадлежности пациентов, возрастных групп, по критерию цена-качество диагностики, исхода терапевтического или оперативного лечени€ на каком-то этапе выздоровлени€ и реабилитации, доступности параклинических исследований и множество других.

¬ данном исследовании формулируетс€ более скромна€ бикритериальна€ дифференциально-диагностическа€ задача оптимизации по двум противоречивым критери€м: (а) подготовка с помощью √ј набора признаков-предикторов дл€ получени€ последующей классификации с минимальной ошибкой и (б) чтобы сам состав этого набора был бы минимальным по количеству и минимально затратным по средствам и по времени.

ќсновна€ иде€ классификационного решени€ в рамках поликритериальной концепции ѕарето-оптимальности заключаетс€ в определении пон€ти€ недоминируемости дл€ отдельных решений оптимизационной задачи. –ешение х1 доминирует другое решение х2, если одновременно выполн€ютс€ два услови€:

 

1.               –ешение х1  не хуже решени€  х2 по любому из рассматриваемых критериев.

2.               –ешение х1 строго лучше решени€ х2 по крайней мере по одному из критериев.

 

≈сли не существует ни одного решени€, удовлетвор€ющего этим услови€м, то х2 €вл€етс€ недоминируемым или ѕарето-оптимальным решением поликритериальной задачи.

¬ нашем исследовании задача дифференциально-диагностического распознавани€ подтипов “»ј представл€етс€ в виде задачи бикритериальной оптимизации и решаетс€ с использованием эволюционного подхода, что позвол€ет построить набор недоминируемых решений-классификаторов с различными соотношени€ми между отдельными критери€ми оптимизации.

¬ качестве первого оптимизируемого критери€ выступает точность классификации объектов данных методом ближайших соседей, в качестве второго критери€ определ€етс€ количество используемых признаков с соответствующими весовыми коэффициентами. ¬ ходе работы √ј происходит поиск решений оптимизационной задачи, котора€ предполагает одновременную максимизацию значени€ первого критери€ и минимизацию значени€ второго критери€. ƒл€ этого примен€етс€ специальна€ кодировка решений оптимизационной задачи в особи √ј и специальные операции отбора и рекомбинации [12, 13, 26].

¬ результате работы √ј из 41 признака в качестве наиболее эффективных (позвол€ющих сформировать классификатор с достаточно высокой приемлемой точностью диагностики подтипов “»ј) признаков-предикторов определены 8 признаков: зрительные расстройства (OPDISODS), снижение пам€ти (MEMORYLO), возраст начала тобакокурени€ (SMOKAGE), снижение трудоспособности  (LABEFFEC), бессонница (INSOMNIA), боли  области сердца (HEARTACH), характер головных болей (HEADACHE) изменени€ на Ё √ (ECG).

‘ормальна€ схема работы предложенного √ј дл€ построени€ классификатора приведена на рис. 2.

 

 

 

–ис. 2. —труктура работы √ј дл€ построени€ классификатора с одновременным отбором признаков-предикторов

 

 

4. –езультаты решени€ дифференциально-диагностической задачи определени€ подтипов “»ј по √ј

ѕолученные в процессе работы √ј недоминируемые решени€ – ѕарето-оптимальный фронт классификаторов – бикритериальной оптимизационной задачи диагностики подтипов “»ј представлены на рис. 3. Ќедоминируемые классификаторы построены на различных подмножествах признаков с различными весовыми коэффициентами, соответствующими каждому из признаков. —огласно этому рисунку точность классификации растет с увеличением количества используемых признаков, однако в случае применени€ построенных классификаторов на отдельном тестовом наборе данных, не используемом дл€ их построени€, такое соотношение может не выполн€тьс€. ѕоэтому при отборе окончательного решени€ необходимо принимать во внимание результаты классификации тестовой выборки клинических наблюдений.

¬есовые коэффициенты подмножества признаков недоминируемого классификатора (рис. 3), обеспечивающего минимальную ошибку классификации 19,8% (точность решени€ – 80,2%), представлены в табл. 2.

 

“аблица 2. ѕризнаки-предикторы и их весовые коэффициенты

ѕризнак

OPDISODS

MEMORYLO

SMOKAGE

LABEFFEC

¬есовой коэффициент

9.3

 

8.3

 

5.8

 

5.4

 

ѕризнак

INSOMNIA

HEARTACH

HEADACHE

ECG

¬есовой коэффициент

4.8

 

4.6

 

4.6

 

1.8

 

 

 

 

–ис. 3. Ќедоминируемые классификаторы: горизонтальна€ ось определ€ет количество прин€тых в рассмотрение признаков-предикторов, вертикальна€ – ошибку классификации (распознавани€) подтипов “»ј.

 

—опоставление точности распознани€ (дифференциальной диагностики) подтипов “»ј и класса Ќќ–ћј по технологи€м  јЌ  [14] и  √ј приведено в таблице 3.

 

“аблица 3. —опоставление точности распознани€ по технологи€м  јЌ  и  √ј

“ип классификтора

“очность классификации (%)

јЌ 

77,2

 лассификатор с использованием √ј

80.2

 

5. јгрегирование нескольких классификаторов

»спользование эволюционного подхода к решению задачи диагностики подтипов “»ј позвол€ет построить несколько недоминируемых классификаторов и выбор окончательного решени€, варианта классификатора, может быть осуществлен врачом-экспертом согласно его знани€м об объекте исследовани€ и имеющему опыту в конкретной предметной области. ¬ последнее врем€ в исследовани€х большое внимание удел€етс€ созданию ансамблей классификаторов, которые при обеспечении независимости отдельных членов ансамбл€, позвол€ют повысить точность классификации и улучшить его обобщающие свойства [14, 28]. ¬ идеале классификационные ошибки каждого из классификаторов ансамбл€ не должны коррелировать, что можно представить как аналог «консилиума» нескольких виртуальных клиницистов-экспертов, знани€ которых по признакам распознавани€ и классификации различны – один более компетентен по одному набору признаков-предикторов, другой – по другому [14].

“акое функциональное разнообразие («пластичность») ансамбл€-«консилиума» обеспечиваетс€ в исследовани€х путем варьировани€ наборов признаков, используемых дл€ построени€ отдельных классификаторов [14, 29].

 

6. ќбсуждение результатов, перспективы дальнейшей работы и заключение

     ћетоды искусственного интеллекта, в том числе и генетический алгоритм, получают все большее распространение в различных област€х научных исследований и социальной жизни. ¬ практической работе они конкретизуютс€ правилами, теоремами, постулатами и вычислительными методами формальной логики.

     ќбща€ вычислительна€ методологи€ при работе с √ј представлена так называемым «м€гким вычислением" (soft computing), L.A. Zadeh [34]. Ёто пон€тие объедин€ет такие направлени€ исследований как веро€тностные рассуждени€, нечетка€ логика, нейронные сети, эволюционные вычислени€ и алгоритмы, которые в различных комбинаци€х дополн€ют друг друга в ансамбл€х дл€ решени€ классификационных задач (в медицине как «консилиум виртуальных экспертов») или в составе гибридных  интеллектуальных  систем различного назначени€. «ћ€гкие вычислени€» осуществл€ютс€ там, где приходитс€ иметь дело с пон€тием «неопределенность». √овор€ о медико-биологической направленности нечеткой логики и «м€гких вычислений», Ћ. «аде писал, что «наиболее веро€тна€ область применени€ этой теории – медицинска€ диагностика, и в меньшей степени описание биологических систем» [33]. »ногда используетс€ пон€тие «природные вычислени€» [34].

      —читаетс€ перспективным применение методов искусственного интеллекта в спортивной практике дл€ выбора наилучшего подхода к физической тренировки спортсменов [24].

      Ќе будет большой смелостью сказать, что вс€ работа по распознаванию нозологий начальных про€влений острой цереброваскул€рной и экстракраниальной недостаточности кровообращени€ с их поразительной способностью маскироватьс€ друг под друга пронизана нечеткостью, неточностью и сомнени€ми [5, 15, 16]. Ќе менее сложно разграничение «где конец нормы и начало патологии», и по какому из множества векторов гипоксии-ишемии последует дальнейшее развитие? [18-20].

     ‘ормально-логически даже в окончательной формулировке клинического диагноза присутствует элемент неполноты и недосказанности. ¬ этом смысле клинический диагноз есть кантианска€ «вещь в себе», созвучна€ с теоремой √едел€ о неполноте логик высказывани€. 

     Ётой констатацией можно было бы  и ограничитьс€, если бы этим сказанным не затрагивалась очень болезненна€, и до сих пор не решенна€ проблема точности и корректности формулировок клинического диагноза. ¬се еще присутствует неудовлетворенность, и даже раздраженность известных неврологов потому, что «проблеме клинической классификации нозологических форм удел€етс€ недостаточно внимани€». Ќе удовлетвор€ет и такое капитальное руководство как ћ Ѕ-10. «(ћ Ѕ-10) – это перечень статистических категорий дл€ анализа и изучени€ заболеваемости, а не клинических диагностических терминов» [10]. ¬рач-ординатор по усто€вшимс€ формулировкам прин€той клинической классификации стремитьс€ использовать клинический диагноз как ориентир (вектор) дл€ достижени€ наиболее эффективного «таргетного» этиотропного лечени€, а заведующий отделением или медицинский статистик клинические диагнозы подгон€ет под коды и рубрики ћ Ѕ-10 дл€ статистической пригл€дности [10]. «десь профессиональный интерес руководител€ учреждени€ и практикующего врача-клинициста наход€тс€ в €вном противоречии. ѕрофессиональный клинический интерес практического врача в этом смысле нередко просто административно игнорируетс€.

     “ака€ же неудовлетворенность нерешенностью проблемы корректности и практической целесообразности клинического диагноза звучит и у белорусских неврологов [6]. ¬ комментарии к рубрике G45 (“»ј) по подрубрике G45.3 (преход€ща€ слепота, amaurosis fugax), авторы акцентируют внимание на этиологическую гетерогенность этого скоротечного заболевани€ [6]. ƒиагнозы эмболии сосудов сетчатки и нарушени€ кровотока в задней мозговой артерии при G45.3 и этиологически и топодиагностически различны. “ака€ ситуаци€, в свою очередь, предполагает также различные целенаправленные лечебно-профилактические тактики по предотвращению будущих эпизодов этой нозологии. ‘актически, в этом случае имеет место не симптом, не признак и даже не синдром, в точном смысле этого пон€ти€, но клинический феномен.

     » такое взаимное маскирование друг друга нарушений локального кровообращени€ с большим трудом раскрываетс€ в услови€х специализированного клинического стационара с высококвалифицированным персоналом и оснащенного современным высокотехнологичным оборудованием. ј как быть пациенту, оказавшемус€ наедине с собой в обычных бытовых услови€х, далеких от научно-практических возможностей?  ризис состо€ни€ и дискомфорт развиваетс€, как правило, под утро в момент просыпани€. √оловокружение настолько выражено, что не в силах подн€тьс€ и св€затьс€ по телефону со станцией скорой помощи. ≈сли есть р€дом родственники, то, как правило, начинаютс€ дебаты и вы€снени€, что случилось?  » только после достигаетс€ консенсус – уточнение «что делать». Ќе вызывает сомнени€, что в такой ситуации пациенту, уже в той или иной степени знакомого с такими эпизодами, нужен минимум знаний по алгоритму выхода из болезненного состо€ни€. ѕричем, разумеетс€, недифференцированно от локализации очага, интрацеребрально или экстракраниально подвергающемус€ пока еще обратимому и поправимому нарушению кровообращени€.

     Ѕолее того, при более обширном подходе к проблеме вы€сн€етс€, что имеют место и этнические этиопатогенетические особенности возникновени€ эпизодов ишемического поражени€ мозга. “ак, в обширном исследовании, проведенном сотрудниками ƒепартамента неврологии, экологии и неотложной медицины университета ÷иннцинати (штат ќгайо, —Ўј) вы€влено своеобразие протекани€ острого ишемического нарушени€ мозгового кровообращени€ у чернокожего населени€: «»нсульт невы€сненной этиологии – наиболее часто встречающийс€ подтип ишемического нарушени€ среди чернокожих.  ардиоэмболический инсульт и ишемические нарушени€ в бассейнах мелких мозговых сосудов – наиболее выраженна€ и четко обозначенна€ причина первичного ишемического инсульта у этой категории населени€» [32].

     ¬озвраща€сь к рубрике G45 ћ Ѕ-10, видно, что там отсутствует упоминание о подтипах “»ј, и как следствие – отсутствует вектор-ориентир, указывающий траекторию прогнозного диагностического направлени€ дл€ адресного индивидуализированного этиотропного лечебно-профилактического вмешательства. ¬ каждом клиническом случае лечебную тактику и стратегию врачу приходитс€ только домысливать исход€ из своих знаний и опыта, отложив в сторону это капитальное руководство до следующего момента составлени€ очередного отчета, когда нюансы формулировок диагнозов и статистические расчеты утрат€т вс€кую актуальность, как дл€ пациента, так и дл€ лечащего врача.

     —ложивша€с€ ситуаци€ в диагностике кардиоцереброваскул€рной патологии вызывает неудовлетворенность многих авторитетных неврологов и практических врачей, что побуждает искать новые способы решени€ проблемы формулировки клинических диагнозов [4-11, 15, 16, 22, 23]. ¬ этом поиске отчетливо просматриваетс€ все возрастающа€ роль методов формально-логической классификации и разработки классификаторов на их основе [5, 7-9, 11, 14, 17].

      ак нам представл€етс€, такое положение вещей в неврологической диагностике обусловлено недостаточной продуманностью технологии диагностического процесса, построенного исключительно на авторитетных, а нередко и авторитарных, предпочтени€х и приоритетах традиционных логико-клинических постулатов. “ака€ организаци€ в прошлом и до насто€щих дней, в общем-то, удовлетвор€ет запросы практической невропатологии, но сейчас, по мере накоплени€ новых знаний и высокотехнологичных инструментальных методов исследований, существующее положение в формулировании клинических неврологических диагнозов становитс€ неудовлетворительной. Ёто не чь€-то вина, а скорее, беда, но беда поправима€. ѕо нашему твердому убеждению, положение может быть исправлено внедрением формально-логических методов на базе теории распознани€ образов, теории нечетких множеств, нечеткой логики («м€гкие», «природные» вычислени€). “акое рассуждение может показатьс€ парадоксальным и шокирующим. » это в какой-то степени, возможно, оправдано. ќднако, дело в том, что эта диагностическа€ некорректность сегодн€шнего дн€ обусловлена конфликтом между инертностью традиционного профессионального искреннего стремлени€ к достижению идеальной (стопроцентной) точности и правилами, теоремами и постулатами формальной логики, которым, хотим ли мы этого или нет, подчинены и формулировки клинических диагнозов.  ратко эта конфликтна€ ситуаци€ вполне укладываетс€ в одной фразе: «получить идеальную, стопроцентно четкую точность формулировки клинического диагноза невозможно, но методами нечетких («м€гких», «природных») формально-логических вычислений можно добитьс€ приемлемой дл€ практической работы достаточно четкой и точной формулировки на базе формально-логической классификации и соответствующих классификаторов». “акое понимание не претендует на оригинальность и мало отличаетс€ от общеприн€того усто€вшегос€ традиционного клинического представлени€. Ќовое в этом – привлечение информационных компьютерных технологий в конкретизацию и упор€дочение формулировок клинического диагноза с учетом этиопатогенетических особенностей гетерогенности внутри традиционно признанных и используемых в практической работе формулировок нозологий.

      ѕрактически, в этом контексте самым важным и, по-прежнему, у€звимым моментом в постановке диагноза “»ј вообще, и подтипа “»ј в частности, €вл€етс€ анализ анамнестических сведений и имеющихс€ лабораторно-клинических данных дл€ предварительного решени€ с последующими рекомендаци€ми и назначением лечебно-профилактических меропри€тий. ¬от здесь в самом начале диагностического процесса и есть отправной пункт дл€ возможности про€вить себ€ формально-логическим классификационным решени€м непосредственно в практической работе. ¬ традиционной же клинической форме этот важный момент практически не формализуем, и врачу самосто€тельно в рамках своих знаний и опыта приходитс€ самому решать и находить ответ на вопрос: попадает ли обследуемый пациент в поле зрени€ угрозоопасности возникновени€ у него эпизода “»ј? ќтвет на этот вопрос сразу же предполагает учет двух критериев – точность, с которой будет гарантирован ответ и достоверность и достаточность сведений (анамнеза, данных осмотра и лабораторно-клинических исследований) дл€ ответа на него. ‘ормально-логически использование √ј позвол€ет получить несколько классификаторов, €вл€ющихс€ оптимальными по двум критери€м и соответственно несколько решений (ответов) задачи диагностики, которые дают имеющуюс€ информационную картину заболевани€, но окончательное (доминирующее) клиническое решение выносит сам врач по своим профессиональным предпочтени€м и опыту, исход€ из которых строитьс€ дальнейша€ лечебно-профилактическа€ стратеги€ – образуетс€ своего рода «симбиоз-консилиум» врача и формально-логического классификатора.

     “акой подход может быть актуальным при проведении целевой диспансеризации, когда необходимо решить вопрос «заслуживает» ли пациент быть включенным в группу риска возникновени€ у него эпизода “»ј, и если да, то по какой наиболее веро€тной траектории (атеротромботической, кардиогенной или гипертензивной) сможет развиватьс€ патологический процесс. —ледствие ответа на этот вопрос – назначение индивидуализированных «таргетных» превентивных лечебно-профилактических меропри€тий дл€ каждого из обследуемых пациентов [1, 2, 7, 14, 20].

¬ заключение, конкретно по дифференциальной диагностике подтипов “»ј, следует отметить, что работа  создаваемой дл€ практического применени€ классификационной (дифференциально-диагностической) системы осуществл€етс€ в два этапа.

1)     ѕервый этап – по генетическому алгоритму, с учетом предсто€щего решени€ дифференциально-диагностической бикритериальной задачи, ориентирован на информационную предподготовку по двум противоречивым критери€м:

      а) обеспечение достижени€ минимальной ошибки (максимально возможной точности) предсто€щей классификации,

      б) выделение минимального набора доступных, преимущественно малозатратных, не требующих длительного времени на их получение, анамнестических информативных признаков-предикторов из их общего числа в обучающей выборке, предварительно составленной по традиционному клинико-логическому разделению на классы (три класса подтипов “»ј –  атеросклеротический, кардиогенный, гипертензивный и контрольный класс Ќќ–ћј).

2)     ¬торой этап – по выбранному конкретному классификатору (например, по технологии јЌ ) непосредственное проведение индивидуализированной классификации (дифференциальной диагностики по подтипам “»ј и классу Ќќ–ћј) вновь прибывших дл€ обследовани€ пациентов с последующим отбором из их числа группы риска по подтипам “»ј дл€ проведени€ целенаправленных («таргетных») лечебно-профилактических меропри€тий.

 

Ћитература

  1. јпанель, ≈. Ќ., ћастыкин ј.—. —пособ назначени€ лечебно-профилактических меропри€тий по предотвращению транзиторных ишемических атак: пат. –Ѕ є 8997.
  2.  јпанель, ≈. Ќ.  омплексный подход к этиотропным лечебно-профилактическим меропри€ти€м по предотвращению эпизодов транзиторных ишемических атак // ћедицинский журнал. 2008. є 2. —. 117–120.
  3. Ѕукатова, ».Ћ. Ёволюционное моделирование и его приложени€ ћ., 1979. 231 с.
  4. ¬ерещагин, Ќ.¬. √етерогенность инсульта: взгл€д с позиций клинициста  //

       ∆. невропатологии и психиатрии (ѕриложение: »нсульт ). 2003. є9. —. 8-9.

  1. ¬иленский, Ѕ. —. ѕрогнозирование исходов инсульта не правомерно // Ќеврологический журнал. 2008. є 1. —. 52–53.
  2. √иткина, Ё.—., ѕономарева ≈.Ќ., ≈встигнеев ¬.¬., Ўалькевич ¬.Ѕ. јдаптаци€ клинической классификации сосудистых поражений мозга к международной статистической классификации болезней ’ пересмотра//ћедицинские новости. 2000. є 6. —. 3-10.
  3. ƒривотинов, Ѕ. ¬., ћастыкин, ј. —.,  расько, ќ. ¬., јпанель, ≈. Ќ. ѕрименение разведочных методов анализа данных в дифференциальной диагностике подтипов транзиторных ишемических атак // ¬оенна€ медицина. 2006. є 1. —. 51–54.
  4. ƒривотинов, Ѕ.¬., ћастыкин ј.—., јпанель ≈.Ќ., Ќовоселова Ќ.ј. »спользование нечеткой нейросетевой модели дл€ дифференциальной диагностики подтипов транзиторных ишемических атак // ћедицинский журнал. 2007. є 2. —. 102-105.
  5. ƒривотинов, Ѕ.¬., јпанель ≈.Ќ., Ќовоселова Ќ.ј., ћастыкин ј.—., ‘едулов ј.—. јдаптивна€ нейро-нечетка€ модель дл€ дифференциальной диагностики подтипов транзиторных ишемических атак//¬оенна€ медицина. 2007. є 4. —. 101-106.
  6. »ерусалимский, ј.ѕ.   проблеме формулировани€ клинического диагноза в неврологии//     ∆. невропатол. и психиатр. 2008. є 5. —. 105-106.    
  7. ћастыкин, ј.—., јпанель ≈.Ќ., ƒривотинов Ѕ.¬., јнтонов ».ѕ. ‘акторный анализ признаков, симптомов и факторов риска транзиторной ишемической атаки// ¬≈—÷I ЌјЌ Ѕеларусi (—ер. мед. навук) 2005, є3. —. 32-36.
  8. Ќовоселова, Ќ. ј. јлгоритмы построени€ гибридного нечеткого классификатора дл€ анализа медицинских данных. ƒисс. канд. технических наук. ћинск, 2008.
  9. Ќовоселова, Ќ. ј., ћастыкин ј.—., “ом ».Ё. Ёволюционный подход к выделению информативных признаков в задачах анализа медицинских данных// »скусственный интеллект. 2008. є 3. —. 105-112.
  10. Ќовоселова, Ќ. ј., јпанель, ≈. Ќ., ƒривотинов, Ѕ. ¬., ћастыкин, ј. —. « онсилиум» адаптивных нейросетевых классификаторов дл€ дифференциальной диагностики подтипов транзиторных ишемических атак// ћедицинский журнал. 2008. є 3. —. 116-121.
  11. ѕарфенов, ¬. ј., јбдулина, ќ. ¬., «амерград, ћ. ¬. ѕериферическа€ вестибулопати€ под маской инсульта // Ќеврологический журнал. 2007. є 6. —. 21–25.
  12. ѕономарева, ≈. Ќ., ѕономарев, ¬. ¬. Ќеврологические маски антифосфолипидного синдрома // Ќеврологический журнал. 2007. є 4. —. 14–17.
  13. –еброва, ќ.ё., ћаксимова ћ.ё., ѕирадов ћ.ј. Ќейросетевой алгоритм диагностики патогенетических подтипов ишемического инсульта //∆. неврологии и психиатрии им. —.—.  орсакова. »нсульт (ѕриложение), 2004, вып. 12, —. 23-28.
  14. —идоренко, √. ». ѕути применени€ кибернетики дл€ решени€ вопросов диагностики и терапии //  ибернетика в медицине. Ќаучна€ конференци€ 14 марта 1968 г., ћинск, 1968. —. 35-38.
  15. —идоренко, √. ». “ворчество и медицина: поиск неочевидных решений. ћинск, 2002.
  16. —идоренко, √. ». ѕерспективные направлени€ кардиологической профилактики// ћедицинские новости. 2007. є 9. —. 41-43.
  17. ‘огель, Ћ., ќуэнс ј., ”олш ћ. »скусственный интеллект и эволюционное моделирование. ћ.: ћир, 1969. 230 с.
  18. Ўалькевич, ¬.Ѕ., ћастыкин ј.—., јпанель ≈.Ќ. ƒиагностика транзиторных ишемических атак// ћедицинские новости. 2001. є 12. —. 39-45.
  19. Ўалькевич, ¬.Ѕ., јпанель ≈.Ќ. ћастыкин ј.—. ѕро€влени€ симптоматики транзиторных ишемических атак у больных мерцательной аритмией// ћедицинские новости 2002. є 7.      —. 66-68.
  20. Ўестаков ћ.ѕ. »скусственный интеллект в спортивной науке XXI века //“еори€ и практика физической культуры// 2000, є 7, —. 8-13.
  21. Brown, M., Bossley, K.M., Mills, D.J., Harris, C.J. High dimensional neurofuzzy systems: overcoming the curse of dimensionality/ Fuzzy Systems, 1995. International Joint Conference of the Fourth IEEE International Conference on Fuzzy Systems and The Second International Fuzzy Engineering Symposium. Proceedings of 1995 IEEE International Conference. Yokohama, Japan. 1995.Vol. 4. . 2139–2146.
  22. Deb, K. Multi-Objective Optimization using Evolutionary Algorithms/K. Deb //John Wiley & Sons, England.- 2001
  23. Holland, J.H. Adaptation in Natural and Artificial Systems// Ann Arbor, MI: The University of Michigan Press. 2nd edn. (1992) Boston, MA: MIT Press. 1975.
  24. Kittler, J., Hatef, M., Duin, R. P. W., Matas, J.: On Combining Classifiers, IEEE Trans. on Pattern Analysis and Machine Intelligence 20 (1998) 226-239.
  25. Optiz, D.W. Feature selection for ensembles. In Proc. of 16th International Conference on Artificial Intelligence, p. 379–384, 1999.
  26. Rechenberg, I. Evolutionsstrategie – Optimierung technischer Systeme nach Prinzipien der biologischen Evolution. – Stuttgart-Bad CannStatt: Frommann-Halzboog. 1973.
  27. Siedlecki,W. A note on genetic algorithm for large scale features selection/ W. Siedlecki, J. Sklandsky// Pattern Recognition Letters. 1989. Vol. 10. є 5. P. 335-347.
  28. Woo D, Gebel J, Miller R, Kothari R, Brott T, Khoury J, Salisbury S, Shukla R, Pancioli A, Jauch E, Broderick J. Incidence rates of first-ever ischemic stroke subtypes among blacks: a population-based study. Stroke. 1999. Vol. 30. P. 2517-2522.
  29. Zadeh, L.A. Biological application of the theory of fuzzy sets and systems / L. Zadeh // Proceedings of the International Symposium on Biocybernetics of the Central Nervous System. Boston: Little, Brown & Co., 1969. P. 199-212. 
  30. Zadeh, L.A. Fuzzy logic, neural network and soft computing//Communications of the ACM. 1994.Vol. 37. є 3. P. 77-84.

____________

* »спользованы данные из предыдущих совместных работ с профессором ¬.Ѕ. Ўалькевичем.

** ¬ медицинских исследовани€х известен как метод поиска клинического прецедента.

 



13.08.2022

Ќавигаци€

Ќовости

01.05.2016

„итать далее...

29.01.2016

„итать далее...

  • ¬се новости (20)
  • –еклама

    —четчики


    яндекс.ћетрика
    яндекс цитировани€
    дл€ спамеров
    –Э–∞–є—В–Є —З–µ–ї–Њ–≤–µ–Ї–∞ –њ–Њ –љ–Њ–Љ–µ—А—Г —В–µ–ї–µ—Д–Њ–љ–∞–Ъ—Г–њ–Є—В—М –≤–Є–∞–≥—А—Г –≤ –∞–њ—В–µ–Ї–∞—Е –Љ–Њ—Б–Ї–≤—Л–†–∞—Б—И–Є—Д—А–Њ–≤–Ї–∞ –≤–Є–љ –Ї–Њ–і–∞ –Љ–µ—А—Б–µ–і–µ—Б —Б–њ—А–Є–љ—В–µ—А–Ш–≥—А–∞—В—М –Њ–љ–ї–∞–є–љ —О–ґ–љ—Л–є –њ–∞—А–Ї—Б—В—Г–і–Є—П Diamond –§–µ–і–µ—А–∞—Ж–Є—П Pole Dance–Ь–Њ–љ—В–∞–ґ –Є –Њ–±–≤—П–Ј–Ї–∞ –Ї–Њ—В–ї–Њ–≤ –Њ—В–Њ–њ–ї–µ–љ–Є—П –≤ –Њ–Љ—Б–Ї–µNeed For Speed 6–°—В–Њ–Є–Љ–Њ—Б—В—М –њ—А–µ–њ–∞—А–∞—В–∞ –і–∞–њ–Њ–Ї—Б–µ—В–Є–љ–Ј–∞–Ї–∞–Ј–∞—В—М —Б—В—Г–ї—М—П –Њ–Љ—Б–Ї–і–ґ–µ–љ–µ—А–Є–Ї –≤–Є–∞–≥—А–∞ —Б–Њ—Д—В –Ї—Г–њ–Є—В—М–Є–≥—А–∞—В—М –Њ–љ–ї–∞–є–љ —Б–њ–∞–љ—З –±–Њ–±–њ—А–Є–≤–Њ—А–Њ—В—Л –ї—О–±–Њ–≤—М –Њ–љ–ї–∞–є–љ,–≥—В–∞5 –Є–≥—А–∞—В—М –љ–∞ –Ї–Њ–Љ–њ—М—О—В–µ—А–µ–∞–≤—В–Њ—Н–ї–µ–Ї—В—А–Є–Ї –≤—Л–µ–Ј–і –∞–ї–Љ–∞—В—Л