Email this article Medical decision-making support system based on bayesian networks in medical diagnostics
- Authors: Levan'kov B.V.1, Vyborov E.M.1, Yakovenko N.I.1
-
Affiliations:
- S.M. Kirov Military Medical Academy of the Russian Defense Ministry
- Issue: Vol 39, No 4 (2020)
- Pages: 39-43
- Section: Health Care organization
- URL: https://journals.eco-vector.com/RMMArep/article/view/52782
- DOI: https://doi.org/10.17816/rmmar52782
- ID: 52782
Cite item
Full Text
Abstract
Modern level of medical science development provides the attending doctor with thousands of various diagnostic and therapeutic techniques as well as medicines. Practically applicating them, the clinician has to take into account a variety of factors: indications and contraindications of the method or modalities of treatment, characteristics of the patient and the course of the disease, compatibility or strengthening of the influence of certain examination methods, medications on each other, individual drug intolerance and contraindications in the patient. It becomes more difficult to keep all this in memory and make error-free, correct and timely decisions. Moreover, the situation is rapidly aggravated by the fact that the volume of knowledge in medicine is growing incrementally, and the time for a doctor to make an appropriate decision when making a diagnosis does not increase. In this regard, the question of creating a system that will minimize the time for a doctor to make a decision on the presence of a particular disease arises.
AIM: To develop a medical decision-making support system based on Bayesian networks in diagnosing patients.
RESULTS: A variant of the medical decision support system for the diagnosis of cold, flu and coronavirus are considered. A Bayesian network model using the GeNIe Academic software is proposed. The results of the percentages of possible diseases of the patient based on the existing symptoms are obtained.
CONCLUSION: The approach to the decision support system construction considered in the article is intended to assist doctors in making a diagnosis to a patient based on his anamnesis. It should be noted that the constructed Bayesian network can be modified by adding other symptoms with their conditional probabilities and adjusting the existing ones after expert judgment (6 figs, bibliography: 6 refs).
Full Text
ВВЕДЕНИЕ
Современный уровень развития медицинской науки предоставляет в распоряжение лечащего врача тысячи разнообразных диагностических и лечебных методик, лекарственных средств. В их практическом применении врачу-клиницисту приходится учитывать самые различные факторы: показания и противопоказания методики или способа лечения, особенности пациента и течения заболевания, совместимость или усиление влияния тех или иных методов обследования, лекарственных препаратов друг на друга, индивидуальную лекарственную непереносимость и противопоказания у пациента. Все это держать в памяти и принимать безошибочные, правильные и своевременные решения становится сложнее. Причем ситуация стремительно усугубляется тем, что объем знаний в медицине растет лавинообразно, а время на принятие врачом соответствующего решения при постановке диагноза не увеличивается [1]. В связи с этим возникает вопрос о создании системы, позволяющей минимизировать время для принятия врачом решения о наличии того или иного заболевания.
Цель — разработать систему поддержки принятия врачебных решений при диагностировании пациентов на основе байесовских сетей.
РЕЗУЛЬТАТЫ
Байесовская сеть — это графовая вероятностная модель, представляющая собой множество переменных и их вероятностных зависимостей по формуле Байеса (рис. 1). Формула Байеса позволяет определить вероятность того или иного события при условии, что произошло другое событие, статистически взаимозависимое с ним. Иными словами, формула Байеса дает возможность более точно пересчитать вероятность посредством взятия в расчет не только уже известной информации, но и новой, полученной в ходе наблюдений [2].
Рис. 1. Формула Байеса
В данной работе в качестве новой (или наблюдаемой) информации возникновения событий A (наличия заболевания) было предложено использовать данные о симптомах заболеваний коронавируса, простуды и гриппа пациентов.
Согласно памятке Роспотребнадзора о различиях между симптомами коронавируса, простуды и гриппа 1 (рис. 2) были определены следующие условные вероятности:
- «часто» как в 90 % случаев заболевания;
- «иногда» как в 50 % случаев заболевания;
- «редко» как в 10 % случаев заболевания.
Рис. 2. Памятка Роспотребнадзора о различиях между симптомами
На основе этих данных была составлена байесовская сеть в ПО «GeNIe Academic» (рис. 3).
Рис. 3. Байесовская сеть в ПО «GeNIe Academic»
Таблица условных вероятностей на примере симптома кашля имеет вид на рис. 4. В ней указаны процентные соотношения появления симптома при различных вариантах заболеваний.
Рис. 4. Таблица условных вероятностей на примере симптома кашля
На основе введенных данных байесовская сеть имеет возможность рассчитывать процент возможного заболевания. Допустим, у пациента-взрослого имеется ряд симптомов: повышенная температура, усталость, чихание, насморк и боль в горле. Тогда, согласно формуле Байеса (см. рис. 1), вероятностные соотношения для 3 приведенных болезней будут выглядеть следующим образом (рис. 5).
Рис. 5. Вероятностные соотношения заболевания коронавирусом, простудой и гриппом
Аналогично рассмотрим другой вариант имеющихся у пациентов симптомов: повышенная температура, усталость, сухой кашель, боль в суставах, боль в горле, диарея и одышка. В этом случае результат расчета байесовской сети будет в пользу коронавирусной инфекции (рис. 6).
Рис. 6. Вероятностные соотношения заболевания коронавирусом, простудой и гриппом при наличии других симптомов
Конечно же, вероятностный вывод о наличии той или иной болезни, рассчитываемый байесовской сетью, не может заменить консультацию профессионального врача. Но, тем не менее, после корректировки соответствующих вероятностей, добавления новых симптомов и заболеваний разработанную систему можно рассматривать как перспективное направление в медицинской диагностике.
ЗАКЛЮЧЕНИЕ
Рассмотренный в статье подход к построению системы поддержки принятия решений призван оказывать помощь врачам при постановке диагноза пациенту на основе его анамнеза. Следует отметить, что построенная байесовская сеть может быть модифицирована путем добавления иных симптомов с их условными вероятностями и корректировки имеющихся после экспертной оценки.
ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ
Источник финансирования. Финансирование данной работы не проводилось.
Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.
Этическая экспертиза. Проведение исследования одобрено локальным этическим комитетом ФГБВОУ ВО «Военно-медицинская академия имени С.М. Кирова».
Вклад авторов. Все авторы внесли существенный вклад в проведение исследования и подготовку статьи, прочли и одобрили финальную версию перед публикацией.
1 Ссылки на памятки и рекомендации. Доступен по: https://www.rospotrebnadzor.ru/about/info/news_time/news_details.php?ELEMENT_ID=13566 (дата обращения: 20.11.2020).
About the authors
Bogdan V. Levan'kov
S.M. Kirov Military Medical Academy of the Russian Defense Ministry
Email: bogdan.levankov@gmail.com
ORCID iD: 0000-0002-6293-4330
SPIN-code: 4527-2307
scientific company operator
Russian Federation, Saint PetersburgEvgeniy M. Vyborov
S.M. Kirov Military Medical Academy of the Russian Defense Ministry
Email: vyborov.99@mail.ru
SPIN-code: 2293-2790
scientific company operator
Russian Federation, Saint PetersburgNikita I. Yakovenko
S.M. Kirov Military Medical Academy of the Russian Defense Ministry
Author for correspondence.
Email: nikitayakovenko@hotmail.com
ORCID iD: 0000-0003-4007-1957
SPIN-code: 7441-6164
Scopus Author ID: 1010300
scientific company operator
Russian Federation, Saint PetersburgReferences
- Gusev AV, Zarubina TV. Support of medical decision-making in medical information systems of a medical organization. Doctor and information technologies. 2017;(2):60–72. (In Russ.)
- Zvyagin LS. Bayesian Network Method and Key Aspects of Bayesian Modeling. Proceedings of the International Conference on Soft Computing and Measurements. 2019;1:30–34. (In Russ.)
- Ayvazyan SA. Bayesian approach in econometric analysis. Applied econometrics. 2008;1(9):93–108. (In Russ.)
- MacKay DJC. Information Theory, Inference, and Learning Algorithms. Cambridge: Published by Cambridge University Press; 2003. 640 p.
- Vetrov DP, Kropotov DA. Algorithms for choosing models and synthesizing collective solutions in classification problems based on the principle of stability. Moscow: URSS Publisher; 2006.
- Prokopchina SV, Fedichkin AI. The use of Bayesian intelligent technologies for the assessment of integral indicators. Collection of reports International Conference on Soft Computing and Measurements. 2006. Р. 20–22. (In Russ.)
Supplementary files
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).