Отправить статью по E-mail Система поддержки принятия врачебных решений в медицинской диагностике на основе байесовских сетей
- Авторы: Леваньков Б.В.1, Выборов Е.М.1, Яковенко Н.И.1
-
Учреждения:
- ФГБВОУ ВО «Военно-медицинская академия имени С. М. Кирова» МО РФ
- Выпуск: Том 39, № 4 (2020)
- Страницы: 39-43
- Раздел: Оригинальные исследования
- URL: https://journals.eco-vector.com/RMMArep/article/view/52782
- DOI: https://doi.org/10.17816/rmmar52782
- ID: 52782
Цитировать
Полный текст
Аннотация
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. 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. Рассмотрен вариант системы поддержки принятия врачебных решений при постановке диагноза простуды, гриппа и коронавируса. Предложена модель байесовской сети с помощью ПО «GeNIe Academic». Получены результаты процентных соотношений возможных заболеваний пациента на основе имеющихся симптомов.
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 (6 рис., библ.: 6 ист.).
Полный текст
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).
Об авторах
Богдан Викторович Леваньков
ФГБВОУ ВО «Военно-медицинская академия имени С. М. Кирова» МО РФ
Email: bogdan.levankov@gmail.com
ORCID iD: 0000-0002-6293-4330
SPIN-код: 4527-2307
оператор научной роты
Россия, г. Санкт-ПетербургЕвгений Михайлович Выборов
ФГБВОУ ВО «Военно-медицинская академия имени С. М. Кирова» МО РФ
Email: vyborov.99@mail.ru
SPIN-код: 2293-2790
оператор научной роты
Россия, г. Санкт-ПетербургНикита Игоревич Яковенко
ФГБВОУ ВО «Военно-медицинская академия имени С. М. Кирова» МО РФ
Автор, ответственный за переписку.
Email: nikitayakovenko@hotmail.com
ORCID iD: 0000-0003-4007-1957
SPIN-код: 7441-6164
Scopus Author ID: 1010300
оператор научной роты
Россия, г. Санкт-ПетербургСписок литературы
- Гусев А.В., Зарубина Т.В. Поддержка принятия врачебных решений в медицинских информационных системах медицинской организации // Врач и информационные технологии. 2017. № 2. С. 60–72.
- Звягин Л.С. Метод байесовских сетей и ключевые аспекты байесовского моделирования // Материалы международной конференции по мягким вычислениям и измерениям. 2019. Т. 1. С. 30–34.
- Айвазян С.А. Байесовский подход в эконометрическом анализе // Прикладная эконометрика. 2008. № 1 (9). С. 93–108.
- MacKay D.J.C. Information Theory, Inference, and Learning Algorithms. Cambridge: Published by Cambridge University Press, 2003. 640 p.
- Ветров Д.П., Кропотов Д.А. Алгоритмы выбора моделей и синтеза коллективных решений в задачах классификации, основанные на принципе устойчивости. М.: URSS, 2006.
- Прокопчина С.В., Федичкин А.И. Применение байесовских интеллектуальных технологий для оценки интегральных показателей // Сборник докладов Международной конференции по мягким вычислениям и измерениям. 2006. С. 20–22.
Дополнительные файлы
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).