Петрунина Елена Валерьевна, кандидат технических наук, доцент, заведующий кафедрой СМАРТ-технологий
ул. Б. Семёновская, д. 38, г. Москва 107023
Elena V. Petrunina, Cand. of Sci. (Engineering), Associate Professor, Head of the Department of SMART Technologies
38 B. Semenovskaya Str., Moscow 107023
Филист Сергей Алексеевич, доктор технических наук, профессор, профессор кафедры биомедицинской инженерии
ул. 50 лет Октября, д. 94, г. Курск 305000
Sergey A. Filist, Dr. of Sci. (Engineering), Professor, Professor of the Department of Biomedical Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Шульга Леонид Васильевич, доктор медицинских наук, профессор, профессор кафедры охраны труда и окружающей среды
ул. 50 лет Октября, д. 94, г. Курск 305000
Leonid V. Shulga, Dr. of Sci. (Medical), Professor, Professor of the Department of Occupational Safety and Environment
50 Let Oktyabrya Str. 94, Kursk 305040
Песок Валерия, аспирант кафедры биомедицинской инженерии
ул. 50 лет Октября, д. 94, г. Курск 305000
Valeriya V. Pesok, Post-Graduate Student of the Department of Biomedical Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Алавcи Хайдер Али Хуссейн, аспирант кафедры биомедицинской инженерии
ул. 50 лет Октября, д. 94, г. Курск 305000
Hayder Ali H. Alawsi, Post-Graduate Student of the Department of Biomedical Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Бутусов Андрей Владимирович, аспирант кафедры биомедицинской инженерии
ул. 50 лет Октября, д. 94, г. Курск 305000
Andrey V. Butusov, Post-Graduate Student of the Department of Biomedical Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Цель исследования ‒ разработка гибридного нейронечеткого классификатора для дистанционного контроля степени тяжести внебольничной пневмонии с учетом риска сопутствующих заболеваний.
Методы. Для оценки степени тяжести внебольничной пневмонии и определения эффективности ее плана лечения в гибридный нейронечеткий классификатор включена гибридная нейронная сеть, которая содержит три макрослоя: PNN-FNN-FNN*. Число решающих блоков макрослоя PNN равно числу сегментов, выделенных в пространстве информативных признаков, а на выходе каждого блока PNN выдаются оценки риска и отсутствия риска внебольничной пневмонии по кластерам степени тяжести. Агрегация принимаемых решений по N сегментам пространства информативных признаков осуществляется в слое FNN, который имеет структуру нечеткого модуля принятия решений. Агрегация 2L выходов PNN-FNN происходит в макрослое FNN*. В этом же макрослое учитывается влияние коморбидности на степень тяжести внебольничной пневмонии.
Результаты. Апробация гибридного нейронечеткого классификатора степени тяжести внебольничной пневмонии проведена на экспериментальной группе больных внебольничной пневмонией с коморбидностью в виде ишемической болезни сердца. Показатели качества классификации степени тяжести пневмонии с учетом риска коморбидного заболевания на примере ишемической болезни сердца показали, что агрегация классификатора степени тяжести внебольничной пневмонии и классификатора риска коморбидного заболевания в виде гибридного нейронечеткого классификатора позволяет повысить качество оценки степени тяжести внебольничной пневмонии более чем на 10% по всем показателям качества.
Заключение. Гибридный нейронечеткий классификатор, построенный на разных парадигмах распознавания образов, позволяет выделять кластеры тяжести заболевания и повысить показатели качества классификации степени тяжести внебольничной пневмонии при наличии коморбидности в среднем на 12%.
The purpose of research is to develop a hybrid neuro-fuzzy classifier for remote monitoring of the severity of community-acquired pneumonia, taking into account the risk of concomitant diseases.
Methods. To assess the severity of community-acquired pneumonia and determine the effectiveness of its treatment plan, a hybrid neural network is included in the hybrid neuro-fuzzy classifier, which contains three macrolayers: PNNFNN-FNN*. The number of decisive blocks of the PNN macrolayer is equal to the number of segments allocated in the space of informative features, and the output of each PNN block produces risk and non-risk assessments of communityacquired pneumonia by severity clusters. Aggregation of decisions made over N segments of the space of informative features is carried out in the FNN layer, which has the structure of a fuzzy decision-making module. The aggregation of 2L PNN-FNN outputs occurs in the FNN* macrolayer. The same macrolayer takes into account the influence of comorbidity on the severity of community-acquired pneumonia.
Results. The testing of a hybrid neuro-fuzzy classifier of the severity of community-acquired pneumonia was carried out on an experimental group of patients with community-acquired pneumonia with comorbidity in the form of coronary heart disease. Indicators of the quality of classification of the severity of pneumonia taking into account the risk of comorbid disease using the example of coronary heart disease showed that the aggregation of the classifier of the severity of community-acquired pneumonia and the classifier of the risk of comorbid disease in the form of a hybrid neuro-fuzzy classifier makes it possible to improve the quality of assessing the severity of community-acquired pneumonia by more than 10% for all quality indicators.
Conclusion. A hybrid neuro-fuzzy classifier, built on different pattern recognition paradigms, makes it possible to identify clusters of disease severity and improve the quality indicators for classifying the severity of community-acquired pneumonia in the presence of comorbidity by an average of 12%.
The authors declare that there are no conflicts of interest present.