Интеллектуальная система принятия решений в отделении медицинского учреждения на основе нейросетевых, продукционных и статистических моделей

В статье рассмотрена разработка информационно-аналитической системы принятия  решений при лечении  органов брюшной полости пациентов. Структура системы предусматривает формирование  предварительного диагноза  состояния  пациента на основе нейросетевого  и статистического анализа  электронной медицинской карты. Для оперативного  контроля  состояния больного в ходе операции  или получения  быстрой консультации в случае возникновения критической ситуации в системе предусмотрена  экспертная оценка  происходящего  с возможностью речевого диалога  хирурга  с интеллектуальной системой.

Цель:  Повышение   интеллектуальности принятия   решений  в отделении  медицинского  учреждения  на основе  нейросетевых, продукционных и статистических моделей.

Материалы и методы: Для  получения  научных  результатов в рамках данной статьи использовались нейронные сети и статистический подход для анализа  и обработки большого количества медицинских данных,  а  также  компьютерное моделирование практической задачи с помощью языка программирования Java.

Результаты:   Разработанная  программа  прогноза  является гибридной динамической экспертной системой, применение которой  позволит  повысить эффективность процессов оценки тяжести  течения  основного заболевания с учётом сопутствующей патологии; прогноза степени риска интраоперационных осложнений  в режиме планирования и реального времени; рекомендации хирургической тактики при сочетанном оперативном вмешательстве; прогноза степени риска послеоперационных осложнений;  определения   объема  интенсивной терапии   в  послеоперационном  периоде.

Заключение:  Рассмотрена структура создания нечёткой модели  прогнозирования операционного   риска  для  выполнения симультанных оперативных вмешательств в зависимости от состояния  пациента на основе продукционных правил,  базу которых можно корректировать в режиме обучения экспертной системы.

1. ИТ в здравоохранении [Электрон. ресурс]. URL: https://www.osp.ru/medit/2018/10/13054507.html (дата обращения: 05.03.19).

2. Интегрированные операционные залы [Электрон. ресурс]. URL: http://www.winnermedical.com.ua/integrirovannye-operacionnye-zaly(дата обращения: 10.03.19).

3. Технологии анализа данных [Электрон. ресурс]. URL: https://basegroup.ru/ (дата обращения: 01.03.19).

4. C4.5: Алгоритмы для машинного обучения. Morgan Kaufmann Publishers [Электрон. ресурс]. URL: https://www.rulequest.com/Personal/ (дата обращения: 05.03.19).

5. Борисов А.Н., Крумберг О.А., Фёдоров И.П. Принятие решений на основе нечётких моделей. Примеры использования. Рига: Зинатне, 1990. 184 с.

6. Верткина Н.В., Хамитов Ф.Ф. Клинико-экономические аспекты симультанных операций у больных пожилого и старческого возраста // Клин. геронтология. 2008. № 4. С. 5–10.

7. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Множественная регрессия. 3-е изд. М.: Диалектика, 2007. С. 912

8. Кореневский Н.А. и др. Проектирование систем поддержки принятия решений для медико-экологических приложений. Курск: КГТУ, 2004. 180 с.

9. Кореневский Н.А. Проектирование систем принятия решений на нечетких сетевых моделях в задачах медицинской диагностики и прогнозирования // Вестник новых медицинских технологий. 2006. Т. XIII. № 2. С. 6–9.

10. Леоненков А.В. Нечёткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БХВ-Петербург, 2005. 736 с.

11. Руанет В.В., Хетагурова А.К. Информационные технологии в медицине – введение в медицинскую информатику. М.: МАКСПресс, 2003. 67 с.

12. Рыков А.С. Модели и методы системного анализа: принятие решений и оптимизация. Учебное пособие для вузов. М.: «МИСИС», Издательский дом «Руда и металлы», 2005. 352 с.

13. Селякова С.М. Нечёткая модель и алгоритм решения задачи выбора медикаментозной терапии // Искусственный интеллект. 2014. № 1 (63). С. 126–131.