Формализованное информационное описание для медицинской экспертной системы

Цель исследований. Информационное описание о состоянии здоровья пациента основывается на количественных параметрах и качественных признаков. Предлагается формализовать количественную и качественную информацию о состоянии здоровья пациента с целью использования этой информации, для построения медицинской экспертной системы. Построенная на основе этой информации экспертная система сможет точнее ставить диагноз, что сократит время на постановку диагноза и в конечном итоге повысит эффективность лечения.

Методы. На основе формализованного информационного описания о состояния здоровья пациентов можно построить классы состояний: класс текущего состояния (на данный момент), класс эталонного (здорового) состояния здоровья пациента. В дальнейшем можно построить классы состояний здоровья пациентов с учетом возраста и ряда особенностей заболеваний, например, с учетом местности, в которой проживает пациент, и т. д. В дальнейшем эти классы могут быть реализованы в медицинской экспертной системе.

Результаты. В результате построена формализованная информационная модель описания состояния здоровья пациента на основе количественных параметров и качественных признаков, которая сможет быть основой для базы данных и базы знаний медицинской экспертной системы диагностирования.

Заключение. В результате предложено формализованное описание состояния здоровья пациента. Для реализации необходимо предусмотреть возможность построения отдельного эвристического алгоритма при диагностировании заболевания, который будет связан с воспроизведением в форме операций процесса разработки логической структуры при рассуждении экспертом (врачом) в ходе лечения пациента.

1. Kanatov M., Atymtayeva L., Yagaliyeva B. Expert systems for Information Security Management and Audit. Implementation phase issues // 2014 Joint 7th International Conference on Soft Computing and Intelligent Systems (SCIS) and 15th International Symposium on Advanced Intelligent Systems (ISIS). Kitakyushu, Japan: IEEE, 2014.

2. Kononenko W. Machine learning for medical diagnosis: history, state of the art and perspective // Artif Intell Med. 2001. N 23(1). P. 89–109.

3. Автоматизированное проектирование информационно-управляющих систем. Проектирование экспертных систем на основе системного моделирования: монография / науч. ред. Г. Г. Куликов. Уфа: Уфимский государственный авиационный технический университет, 1999. 223 с.

4. Евланов Л. Г., Кутузов В. А. Экспертные оценки в управлении. М.: Экономика, 1978. 133 с.

5. Мелихов А. Н., Берштейн Л. С., Коровин С. Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. 272 с.

6. Сидоркина И. Г. Системы искусственного интеллекта. М.: КНОРУС, 2015. 248 с.

7. Нечеткие множества в моделях управления и искусственного интеллекта / А. Н. Аверкин, И. З. Батыршин, А. Ф. Блишун, В. Б. Силов, В. Б. Тарасов; под ред. Д. А. Поспелова. М.: Наука, 1986. 312 с.

8. Алиев Р. А., Абдикеев Н. М., Шахназаров М. М. Производственные системы с искусственным интеллектом. М.: Радио и связь, 1990. 262 с.

9. Алтунин А. Е., Семухин М. В. Модели и алгоритмы принятия решений в нечетких условиях: монография. Тюмень: Издательство Тюменского государственного университета, 2000. 352 с.

10. Бешелев C. Д., Гурвич Ф. Г. Математико-статистические методы экспертных оценок. М.: Статистика, 1980. 263 с.

11. Дунин В. О., Егоров В. А. Проблемы создания интеллектуальных средств поиска, анализа и обработки биомедицинской информации // Инженерный вестник Дона. 2012. № 4-1(22). С. 24.

12. Модели принятия решений на основе лингвистической переменной / А. Н. Борисов, А. В. Алексеев, О. А. Крумберг [и др.]. Рига: Зинатне, 1982. 256 с.

13. Поддержка принятия решений на основе нечеткой логики в системах медицинского назначения / Е. Н. Долженко, А. Н. Пылькин, А. В. Крошилин, С. Ю. Жулева // Биомедицинская радиоэлектроника. 2015. № 7. С. 62–68.

14. Заде Л. А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. 165 с.

15. Леоненко А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БВХ – Петербург, 2005. 736 с.

16. Воронина Е. И., Муравей Л. А., Костиков Ю. А. Математико-статистические модели прогнозирования эффективности оперативного лечения некоторых заболеваний // Инженерный вестник Дона. 2013. № 1(24). С. 64.

17. Гельруд Я. Д. Оптимизация развития холдинговой структуры с использованием нечеткой логики // Управление проектами и программами. 2007. № 3. С. 182–190.

18. Душкин Р. В. Методы получения, представления и обработки знаний с НЕфакторами. М.: Национальный исследовательский университет «МЭИ», 2011. 115 с.

19. Инжиниринг информационных и деловых процессов: сборник научных трудов / Ю. Ф. Тельнов [и др.]. М.: Московский государственный университет экономики, статистики и информатики, 1998. 137 с.

20. Статические и динамические экспертные системы / Э. В. Попов, И. Б. Фоминых, Е. Б. Кисель, М. Д. Шапот. М.: Финансы и статистика, 1996. 318 с.

21. Россиев Д. А. Нейросетевые самообучающиеся экспертные системы в медицине // Молодые ученые – практическому здравоохранению. Красноярск, 1994. С. 17.