Алгоритмы мониторинга эффективности терапевтических и реабилитационных процедур по показателям клинического анализа крови в системе поддержки принятия врачебных решений

Цель исследования – разработка алгоритмов для компьютерной системы мониторинга эффективности терапевтических процедур по показателям клинического анализа крови.

Методы. Разработан комплект алгоритмов для компьютерной системы мониторинга эффективности лекарственных назначений по результатам клинического анализа крови, включающий алгоритм анализа динамики межклеточных соотношений в клиническом анализе крови, алгоритм заполнения базы данных, алгоритм формирования базы решающих правил, алгоритм анализа чувствительности решающего правила.

Результаты. Для определения эффективности плана лечения предложено оценивать межкластерные расстояния между кластеризованными патологическими состояниями посредством нейронной сети PNNFNN-FNN*, построенной на гибридной основе с использованием вероятностных нейронных сетей и нечеткой логики принятия решений. Предложенная структура гибридной нейронной сети PNN-FNN-FNN* содержит три макрослоя. Количество модулей в макрослоях соответствует количеству выделенных кластеров мониторируемого заболевания. Первый макрослой состоит из блоков вероятностных нейронных сетей, число которых в каждом модуле определяется числом сегментов, выделенных в пространстве информативных признаков. Второй и третий макрослой состоит из двухслойных нечетких нейронных сетей. Модуль нечеткой нейронной сети со структурой FNN* является макрослоем блочного типа, каждый из блоков которого состоит из двух слоев.

Заключение. Апробация алгоритмов мониторинга осуществлена на экспериментальной группе больных доброкачественной гиперплазией простаты и больных раком предстательной железы. Экспериментальные исследования показателей качества классификации гибридной нейронной сети со структурой PNN-FNN-FNN* при мониторинге эффективности лечения урологических больных показали диагностические показатели, позволяющие рекомендовать ее для использования в системах поддержки принятия врачебных решений при мониторинге эффективности лечения урологических больных.

1. Филист С. А., Томакова Р. А., Емельянов С. Г. Интеллектуальные технологии сегментации и классификации биомедицинских изображений / Юго-Западный гос. ун-т. Курск, 2012. 222 с.

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

3. Филист С. А., Томакова Р. А. Метод обработки и анализа сложноструктурируемых изображений на основе встроенных функций среды MATLAB // Вестник Читинского государственного университета. 2012. № 1 (80). С. 3–9.

4. Пат. 2135997 Российская Федерация. Способ оценки состояния здоровья пациента, эффекта проводимого лечения и накопленной дозы излучения по анализу крови / Ставицкий Р. В., Гуслистый В. П., Лебедев Л. А., Прокубовский В. И., Кешелава В. В. № 98105436/14; заявл. 19.03.98; опубл. 27.08.99.

5. Курочкин А. Г., Кузьмин А. А., Филист С. А. Структура базы данных для метаанализа эффективности лекарственных назначений по показаниям межклеточных соотношений в мазках периферической крови // Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ – 2015): сборник трудов VIII Международной конференции, Воронеж, 21–26 сентября 2015 года. Воронеж: Научная книга, 2015. С. 196–199.

6. 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.

7. Гибридные многоагентные классификаторы в биотехнических системах диагностики заболеваний и мониторинге лекарственных назначений / А. Н. Шуткин, М. А. Ефремов, О. В. Шаталова [и др.] // Нейрокомпьютеры: разработка, применение. 2015. № 6. C. 42–48.

8. Нейросетевые модели для метаанализа медико-экологических данных / А. Н. Шуткин, А. Г. Курочкин, В. В. Протасова [и др.] // Нейрокомпьютеры: разработка, применение. 2015. № 6. C. 48–54.

9. Филист С. А., Уварова В. В., Шуткин А. Н. Структурно-функциональная модель метаанализа медико-экологических данных // Вопросы радиоэлектроники. Серия «Общетехническая» (ОТ). 2015. № 7. С. 102–110.

10. Филист С. А., Шаталова О. В., Ефремов М. А. Гибридная нейронная сеть с макрослоями для медицинских приложений // Нейрокомпьютеры. Разработка и применение. 2014. № 6. С. 35–39.

11. Филист С. А., Емельянов С. Г., Рыбочкин А. Ф. Нейросетевой решающий модуль для исследования живых систем // Известия Курского государственного технического университета. 2008. № 2 (23). С. 77–82.

12. Hybrid neural networks with virtual flows in medical risk classifiers / K. Khatatneh, S. Filist, R. T. Al-Kasasbeh, A. A. Aikeyeva, M. Namazov, O. Shatalova, A. Shaqadan, A. Miroshnikov // Journal of Intelligent & Fuzzy Systems. 2022. Vol. 43, N 1. Р. 1621–1632. https://doi.org/10.3233/JIFS-212617.

13. Application of Fuzzy Neural Model and Current-Voltage Analysis of Biologically Active Points for Prediction Post-Surgery Risks / O. V. Shatalova, S. A. Filist, Z. U. Protasova, N. A. Korenevskiy, R. T. Al-Kasasbeh [et. al.] // Computer Method in Biomedical Engineering. 2021. Vol. 24. P. 1504–1516. https://doi.org/10.1080/10255842.2021.1895128.

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

15. Функциональная модель для мониторинга влияния управляющих воздействий на функциональное состояние самоорганизующихся систем / П. С. Кудрявцев, А. Н. Шуткин, В. В. Протасова, С. А. Филист // Прикаспийский журнал: управление и высокие технологии. 2015. № 2 (30). С. 105–118.

16. 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. М.: Московский государственный психолого-педагогический университет, 2018. С. 74–77.

17. Classifier for the functional state of the respiratory system via descriptors determined by using multimodal technology / S. A. Filist, R. T. Al-Kasasbeh, O. V. Shatalova [et al.] // Computer Methods in Biomechanics and Biomedical Engineering. 2022. Р. 1–19.

18. Петрунина Е. В., Томакова Р. А., Филист С. А. Гибридные методы и модели для биотехнических систем с адаптивным управлением диагностическими и реабилитационными процессами / Юго-Западный государственный университет. Курск, 2022. 249 с.

19. Алгоритмы метаанализа эффективности диагностических и терапевтических решений на основе мониторинга суррогатных маркеров, получаемых по результатам анализа сложноструктурируемых изображений / А. Г. Курочкин, А. А. Кузьмин, Е. А. Старцев, С. А. Филист // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016. № 4 (21). С. 41–55.

20. Арсеньев А. А., Макаров В. К. Исследование состояния иммунореактивности больных хроническим простатитом и раком предстательной железы // Вестник Волгоградского государственного медицинского университета. 2010. Вып. 2. С. 34–36.