Гибридный нейронечеткий классификатор для мониторинга эффективности лечения заболеваний системы дыхания с учетом коморбидности

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%.

1. Внебольничная пневмония у взрослых: практические рекомендации по диагностике, лечению и профилактике (пособие для врачей) / А. Г. Чучалин, А. И. Синопальников, Р. С. Козлов [и др.] // Клиническая микробиология и антимикробная химиотерапия. 2010. Т. 12, № 3. С. 186‒225.

2. Клинические рекомендации по диагностике, лечению и профилактике тяжелой внебольничной пневмонии у взрослых / А. Г. Чучалин, А. И. Синопальников, Р. С. Козлов [и др.] // Пульмонология. 2014. № 4. С. 13–48. https://doi.org/10.18093/0869-0189-2014-0-4.

3. Создание прогностической модели для оценки степени тяжести внебольничной пневмонии / Ю. А. Рогожкина, Т. А. Мищенко, Л. М. Малишевский [и др.] // Бюллетень физиологии и патологии дыхания. 2019. Т. 1, № 71. С. 45‒50. https://doi.org/10.12737/article_5c898b1674b5d2.31350435.

4. Сиротко И. И., Самойлов Р. Г. Математические модели внебольничной пневмонии // Сибирский медицинский журнал. 2007. № 2. С. 5‒10.

5. Использование гибридных нейросетевых моделей для многоагентных систем классификации в гетерогенном пространстве информативных признаков / А. Г. Курочкин, В. В. Жилин, С. А. Филист, С. А. Суржикова // Прикаспийский журнал: управление и высокие технологии. 2015. Т. 3, № 31. С. 85‒95.

6. Нейросетевые модели для метаанализа медико-экологических данных / А. Г. Курочкин, В. В. Протасова, С. А. Филист, А. Н. Шуткин // Нейрокомпьютеры. Разработка, применение. 2015. № 6. С. 42‒48.

7. Распределенные автономные интеллектуальные агенты для мониторинга и метаанализа эффективности управления живыми системами / Т. В. Петрова, А. А. Кузьмин, Д. Ю. Савинов, В. В. Серебровский // Прикаспийский журнал: управление и высокие технологии. 2017. Т. 4, № 40. С. 61‒73.

8. Способ моделирования нечетких моделей в пакете MATLAB для биомедицинских приложений / В. В. Жилин, С. А. Филист, Р. С. Халед Абдул, О. В. Шаталова // Медицинская техника. 2008. № 2. С. 15‒18.

9. Жилин В. В., Филист С. А., Аль-Муаалеми В. А. Гибридный способ классификации биосигналов на основе технологий нечеткой логики принятия решений и нейронных сетей // Биомедицинская радиоэлектроника. 2009. № 5. С. 77‒82.

10. Интеллектуальные информационные системы для мониторинга эффективности лекарственных назначений и терапевтических процедур / С. А. Филист, Т. В. Петрова, К. В. Подмастерьев, О. В. Шаталова // Нейрокомпьютеры и их применение: тезисы докладов XVI Всероссийской научной конференции (13 марта 2018 г.). М.: Московский государственный психолого-педагогический университет, 2018. С. 74‒77.

11. Нейросетевые модели для метаанализа медико-экологических данных / А. Г. Курочкин, В. В. Протасова, С. А. Филист [и др.] // Нейрокомпьютеры: разработка, применение. 2015. № 6. С. 48‒53.

12. Алгоритмы мониторинга эффективности терапевтических и реабилитационных процедур по показателям клинического анализа крови в системе поддержки принятия врачебных решений / А. В. Бутусов, А. В. Киселев, Е. В. Петрунина, Р. И. Сафронов, В. В. Песок, А. Е. Пшеничный // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2023. Т. 13, № 1. С. 170‒190. https://doi.org/10.21869/2223-1536-2023-13-1-170-190.

13. Филист С. А., Шаталова О. В., Ефремов М. А. Гибридная нейронная сеть с макрослоями для медицинских приложений // Нейрокомпьютеры: разработка, применение. 2014. № 6. С. 35‒39.

14. Нейросетевой решающий модуль для исследования живых систем / С. Г. Емельянов, А. Ф. Рыбочкин, С. А. Филист, А. Р. Халед // Известия Курского государственного технического университета. 2008. Т. 2, № 23. С. 77‒82.

15. Филист С. А., Шуткин А. Н., Уварова В. В. Структурно-функциональная модель метаанализа медико-экологических данных // Актуальные направления научных исследований XXI века: теория и практика. 2015. Т. 3, № 8-1 (19-1). С. 364‒367. https://doi.org/10.12737/15449.

16. Программное обеспечение интеллектуальной системы классификации форменных элементов крови / Р. А. Томакова, С. А. Филист, В. В. Жилин [и др.] // Фундаментальные исследования. 2013. № 10, ч. 2. С. 303‒307.

17. Моросанова Н. А., Соловьев С. Ю. Формальные свойства схемы Шортлиффа // Управление большими системами. 2012. № 36. С. 5–38.

18. Mobile Health Devices as Tools for Worldwide Cardiovascular Risk Reduction and Disease Management / J. D. Piette, J. List, G. K. Rana [et al.] // Circulation. 2015. Vol. 132, N 21. P. 2012‒2027. https://doi.org/10.1161/CIRCULATIONAHA.114.008723.

19. Фисенко О. В., Синопальников А. И. Тяжелая внебольничная пневмония и шкалы оценки прогноза // Практическая пульмонология. 2014. № 2. С. 20‒26.

20. Возможности прогнозирования повторного инфаркта миокарда у больных трудоспособного возраста / Е. А. Шишкина, О. В. Хлынова, А. В. Туев [и др.] // Российский кардиологический журнал. 2020. Т. 25, № 8. С. 69‒74. https://doi.org/10.15829/1560-4071-2020-3909.

21. Комплексная оценка уровня психоэмоционального напряжения / Н. А. Кореневский, О. И. Филатова, М. И. Лукашов, Р. А. Крупчатников // Биомедицинская радиоэлектроника. 2009. № 5. С. 4‒9.

22. Ермаков С. А., Болгов А. А. Оценка риска с использованием нейро-нечеткой системы // Информация и безопасность. 2022. Т. 25, № 4. С. 583‒592. https://doi.org/10.36622/VSTU.2022.25.4.012.

23. Виртуальные потоки в гибридных решающих модулях классификации сложноструктурируемых данных / А. В. Киселев, Д. Ю. Савинов, С. А. Филист, О. В. Шаталова, В. В. Жилин // Прикаспийский журнал: управление и высокие технологии. 2018. Т. 2, № 42. С. 137‒149.

24. Модели латентных предикторов в интеллектуальных системах прогнозирования состояния живых систем / А. В. Киселев, О. В. Шаталова, З. У. Протасова, С. А. Филист, Н. С. Стадниченко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, № 1. С. 114‒133.

25. Нейросетевые модули с виртуальными потоками для классификации и прогнозирования функционального состояния сложных систем / А. В. Киселев, Т. В. Петрова, С. В. Дегтярев, А. Ф. Рыбочкин, С. А. Филист, О. В. Шаталова, В. Н. Мишустин // Известия Юго-Западного государственного университета. 2018. Т. 22, № 4(79). С. 123‒134. https://doi.org/10.21869/2223-1560-2018-22-4-123-134.

26. Слабые классификаторы с виртуальными потоками в интеллектуальных системах прогнозирования сердечно-сосудистых осложнений / А. В. Киселев, М. В. Томаков, Е. В. Петрунина [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 1(30). С. 6‒19.