Рассмотрена модульная система математического обеспечения принятия решений в медицине (МСПР), представляющая собой совокупность программных средств и правил работы с информацией, которые обеспечивают ввод, накопление, интегрированное хранение, перестройку структуры, обновление и выборку данных и дифференцированное использование этих данных для решения широкого круга задач клинической медицины. Привечены результаты использования МСПР для прогнозирования характера течения и диагностики осложнений острого инфаркта миокарда (ОИМ), сравнительной оценки эффективности лечения больных ОИМ сердечными гликозидами и решения других задач.

Решение важных для практического здравоохранения задач ранней дифференциальной диагностики, схожих по симптоматике заболеваний, прогнозирование течения патологического процесса, оценка и сравнение эффективности фармакологических воздействий, формулирование показаний и противопоказаний к их применению и выбор адекватной индивидуальной терапии требуют создания специальной системы математического и программного обеспечения, ориентированной на этот класс задач.

Подобная система представляет собой совокупность программных средств и правил работы с информацией, которые обеспечивают ввод, накопление, интегрированное хранение, перестройку структуры, обновление и выборку данных, вывод их на внешние устройства и дифференцированное использование этих данных для решения широкого круга задач.

Систему целесообразно строить таким образом, чтобы, с одной стороны, располагать пакетом программ идейно, информационно и технологически согласованных между собой, с другой стороны - обеспечить одноразовую подготовку и ввод исходной информации, с учетом ее большого объема и достаточно сложной структуры.

Система должна быть рассчитана на ввод и хранение максимума информации, получаемой в ходе клинического исследования. Форма хранения информации должна определяться способом первичного ее задания.

Система должна допускать возможность многократного автоматизированного преобразования исходных данных в соответствии с требованиями различных программ обработки.

Предлагается технология разработки модульной системы математического и программного обеспечения в решении проблемы оценки и сравнения конкретных фармакологических воздействий в клинике. Сформулированы основные принципы создания подобных проблемно ориентированных систем. Сформулированы правила сбора и анализа медицинской информации. Приведены результаты использования разработанной системы в решении некоторых клинических задач.

Разработка данной системы предусматривает решение основных проблем, стоящих перед здравоохранением и медициной:

автоматизация сбора, обработки и анализа медицинской информации при комплексном динамичном изучении состояния сдвигов в здоровье населения с учетом влияния внешней среды (в том числе фармакологического или любого другого терапевтического воздействия);

автоматизация процессов диагностики и прогнозирования течения патологического процесса;

разработка принципов и подходов использования ЭВМ и математических методов в медико-биологических исследованиях.

Клинические исследования должны давать объективные, достоверные, надежные, воспроизводимые результаты, которые связаны с рядом специфических трудностей: получение представительных выборок; обилие "шумов", связанных с индивидуальными особенностями разных людей;

недопустимость выделения контрольной группы для сравнения фармакологических воздействий и многое другое.

Клиническая информация отражает проявление болезни и ее особенностей через параметры клинических, лабораторных, физиологических и других функциональных исследований, предусмотренных в плане изучения какой-либо конкретной проблемы. Кроме указанных параметров, она содержит характеристики описания динамики состояния больных, а также данные о различных вариантах лечения и других медицинских мероприятиях.

Многообразие и сложность представления результатов клинических исследований при создании подобных систем диктуют, кроме необходимости учитывать особенности решения каждой конкретной клинической проблемы, необходимость проведения основных направлений разработок.

1. Стандартизация и унификация методов исследования:

формулировка и постановка проблемы исследования;

планирование клинического наблюдения;

планирование системы лабораторных и функциональных исследований; разработка стандартных карт для клинического испытания медицинских мероприятий.

2. Системно-математическое обеспечение обработки клинических данных на ЭВМ (создание базы данных по конкретной проблеме):

разработка системы ввода и хранения в ЭВМ медицинских данных;

обеспечение автоматизированного логического контроля исходных данных;

первичная обработка клинико-лабораторных данных.

3. Алгоритмизация машинно-математического решения клинических проблем:

поиск адекватных алгоритмов дифференциальной диагностики направленности патологического процесса;

разработка алгоритмов прогнозирования течения и исхода патологического процесса;

разработка алгоритмов, описывающих на основании клинических, лабораторных и функциональных данных динамику патологического процесса при фармакологических воздействиях и без них;

моделирование "слепого" отбора для выделения сопоставимых групп больных при оценке сравнительной эффективности методов лечения в клинической практике;

разработка алгоритмов для оценки терапевтического эффекта медицинского мероприятия.

4. Практическое использование разработанных систем и методов в медико-биологических исследованиях и в здравоохранении.

Особенно важна совместная работа клиницистов и математиков по формулировке и корректной постановке проблемы исследования в каждом конкретном случае с соблюдением, установленных правил сбора материала.

Клинические наблюдения должны быть спланированы таким образом, чтобы можно было предусмотреть ответы на следующие вопросы: цель испытания;

стадии и формы испытания; категории больных; критерии и методика отбора больных; необходимое количество больных на разных этапах изучения препарата; дни наблюдения в клинике в ходе лечения больных; дозы и способ введения лекарства; критерии для вынужденного прекращения терапии;

допустимые виды и масштабы дополнительной терапии и показания к ее назначению; клинические и лабораторные показатели; критерии эффективности препарата.

Как правило, вопросы, стоящие перед клиническим исследованием на этапе его планирования и организации, известны лишь в общих чертах. В ходе исследования данные вопросы уточняются и конкретизируются, зачастую к ним добавляются новые. Поэтому при определении содержания исходной информации не следует ее "минимизировать", ориентируясь на формулировки задач исследования в их буквальном толковании, целесообразно стремиться зафиксировать и хранить всю релевантную информацию, которой в ходе исследования располагает клиницист.

Сформулированы принципы составления унифицированного машинно-ориентированного медицинского документа (У МОД), касающиеся .содержания, формы карты (документа) и правил ее заполнения [1, 2, 7 ].

Карта, разработанная в соответствии с принципами УМОД, является входным документом, отражающим необходимые сведения о больном.

Время измерений должно быть согласовано перед началом испытаний. Заполнение каждого раздела карты, предусматривающего динамику наблюдения, должно проводиться столько раз, сколько требуется по плану наблюдения с учетом экстремальных ситуаций. Лечащий врач должен заполнять карту непосредственно на основании выполненных анализов и т. д.

Отражение динамики клинических данных в карте строится таким образом, что при каждом заполнении фиксируются не только "моментные" значения показателей, но и характеристики за "отчетный" период, т. е. за период, прошедший с момента последнего заполнения.

Кроме того, структура карты строится так, чтобы в тех случаях, когда ответ -норма, или - отсутствие исследования, врач может не заполнять клетку карты. Логика построения карты не противоречит естественной логике заполнения карты врачом.

Признаки формулируются так, чтобы обеспечить объективность и однозначность понимания каждого признака. Однако в карте имеются вопросы, ответы на которые содержат субъективные врачебные оценки.

К карте разрабатывается справка-инструкция "Что нужно знать о заполнении карты", в которой даются рекомендаци ее заполнения и приведены примеры.

Введение в практику клинического наблюдения машинно-ориентированной /карты не только облегчает унификацию сбора данных о больных, но и дает возможность максимально соблюдать правила проведения клинического наблюдения.

По разработанным в соответствии с этими принципами машинно-ориентированным медицинским документам накапливается систематизированный материал фактографических данных по конкретной клинической проблеме, обеспечивая проведение исследовательских работ с помощью ЭВМ [10].

1. Программы ввода, куда относятся программы пополнения системного словаря, формирования паспорта информационного массива (ИМ) и ввода данных. Основу этой группы программ составляет система ввода данных на основе выбранной системы управления базами данных (СУБД). Однако в силу особенностей входных данных медицинских документов для создания базы данных требуется разработка интерфейса ввода.

2. Программы подготовки. Эти программы выполняют различные, необходимые для последующей обработки, преобразования данных: вычисление значений новых признаков по значениям уже имеющихся, формирование нового ИМ путем выбора требуемых признаков из одного или нескольких уже имеющихся массивов, формирование сопоставимых групп и т. п.

3. Программы обработки, к которым относятся различные программы анализа данных: статистического кластер-анализа, моделирования течения процесса, анализа временных рядов, различные программы узнавания и др.

4. Программы вывода, представляющие собой комплекс программ выходных документов, предусмотренных СУБД, а также дополнительные сервисные программы представления результатов обработки медицинских данных.

Программы групп ввода и вывода наиболее тесно связаны с возможностями выбранной СУБД, поэтому комплекс этих программ в структуре определяется в большой степени самой СУБД.

Для создания системы оптимальной организации работы с использованием ЭВМ требуется написание программ, способных по заданным правилам из информации, содержащейся в информационной базе данных, сформировать входные данные соответственно выбранному алгоритму, обеспечив при этом контроль исходных данных [7 ].

Для решения этой задачи разработана технология ввода данных в ЭВМ, состоящая из подготовки данных на машиночитаемых носителях, формирования файла хранения, подготовки данных для ввода в БД и собственно ввода данных в базу.

Информация с карт, заполненных врачом, переносится на машиночитаемый носитель. Для этого требуется инструкция для оператора устройства подготовки данных по перенесению информации с карт. Хранение данных в исходном виде предусмотрено в файле хранения на магнитном диске.

Файл хранения имеет библиотечную организацию. Данные, по мере поступления с устройства подготовки, накапливаются в файле хранения. Для формирования файла хранения разработана программа, которая считывает данные и подготавливает записи для файла хранения. Эта же программа контролирует последовательность номеров историй болезни вводимых документов. Обнаруженные ошибки могут корректироваться в файле хранения специальной программой.

При вводе данных в базу необходимо выполнение логического и синтаксического контроля. Изучение стандартных видов контроля, выполняемых программами СУБД, показало, что не все логические связи, существующие в информации о больных, могут быть проверены стандартными средствами. В каждом конкретном случае требуется составление перечня таких показателей, значения которых должны дополнительно контролироваться при вводе в базу данных.

Для осуществления контроля за действием препаратов (или любого другого терапевтического воздействия) необходимо разработать методы подхода и принципы оценки реакции организма на внешнее воздействие. Требуется не только дать ответ, какой, например, из двух сравниваемых препаратов лучше, но и сформулировать показания и противопоказания к их применению и оценить побочный эффект.

Прогнозирование течения и исхода болезни - неотъемлемая часть процесса лечения, имеет тем большее значение, чем шире диапазон методов лечения и возможных исходов данного заболевания.

Прогностическая ценность отдельного фактора варьируется в значительных пределах. Это объясняется в основном многочисленностью признаков, описывающих патологический процесс и их сложной взаимосвязью.

Немаловажное значение также имеют разнообразие клинических вариантов течения болезни и большая разнородность контингента больных. В этом случае возникает необходимость дифференциального подхода к изучению особенностей изменения каждого показателя в каждой группе, представленной к исследованию.

Информативная ценность ряда признаков исходного описания зачастую оказывается столь малой, что возникает сомнение в целесообразности использования подобных признаков для классификации. Однако исключение их из рассмотрения без специального исследования было бы необоснованным, так как диагностически ценными могут оказаться их сочетания с другими признаками, в том числе с учетом характера изменения каждого из них.

Предложен метод "производных характеристик", в котором с помощью набора логико-арифметических функций многократно производится преобразование исходного пространства измерений в пространство на множестве функций от этих измерений [12 ].

Для наглядности отображения хода изменений показателей специально для ЕС ЭВМ разработана "Программа графического представления динамики, показателей" [8]. Условиями включения функций в набор производных характеристик могут служить либо априорные представления о значимости этой функции для описания исследуемого процесса, либо достаточно высокая ее информативность, которая оценивается в ходе работы алгоритма.

Следует отметить, что набор этих функций не фиксируется на первом этапе работы алгоритма, а может быть изменен и дополнен. Окончательный набор построенных функций назовем набором производных характеристик, а каждую функцию, участвующую в указанном преобразовании,- признаком.

Данные, преобразованные указанным способом, можно далее исследовать различными методами классификации, в том числе - методом перебора конъюнкций, предложенным М. М. Бонгардом [3 ].

Метод перебора конъюнкций (МПК) требует предварительного ранжирования признаков, т. е. разбиения области значений каждого признака на несколько градаций. Естественно, что такое разбиение можно осуществить многими способами, которые будут далеко неравноценны в отношении эффективности решения поставленной задачи, так как неудачный выбор границ диапазонов может привести к большой потере информации и "сгладить" истинные различия между классами (А и Б).

Учитывая, что выбор ранжирования признаков играет очень важную роль в поиске закономерностей, разработан алгоритм разбиения на градации, обеспечивающий достаточную по числу наблюдений представительность каждой градации, а при фиксированном числе градаций - наибольшую информативность всего признака. Для этого в работу алгоритма вводится некоторый функционал, определяющий меру информативности признака [11.14].

Каждая найденная таким способом градация называется характеристикой признака или симптомом. На составленном таким методом пространстве признаков и их характеристик осуществляется поиск решающего правила различения объектов классов (А и В) с помощью выбранных диагностических алгоритмов.

В настоящее время имеется много математических методов, с тем или иным успехом применяющихся для отнесения данного объекта и одному из заранее фиксированных классов. С чисто математической точки зрения все эти методы применимы для распознавания любых классов объектов, однако эффективность их применения существенно зависит от того, насколько оправданными являются предпосылки или предположения, лежащие в основе каждого из этих методов.

Разработан и сдан в отраслевой фонд алгоритмов и программ (ОФАП) пакет программ поиска логических закономерностей в выделенных группах (ВУД), основанный на методе перебора конъюнкций (МПК) [9 ].

В основу алгоритма классификации положена идея М. М. Бонгарда [3 ] о том, что закономерности, по которым может быть осуществлено разделение объектов на классы, следует искать в виде всевозможных логических функций симптомов исходного описания, и в первую очередь, в виде конъюнкций этих симптомов.

Построение решающего правила производится на материале обучения путем полного перебора конъюнкций характеристик признаков, с последующим отбором в решающий набор наиболее значимых из них на основе специально устанавливаемых критериев. Решающий набор содержит два списка конъюнкций (легко интерпретируемых клиницистами), с большой вероятностью встречающихся в соответствующих классах. Алгоритм позволяет оценить полученные закономерности на контрольном материале.

Подобный подход позволяет провести надежное прогнозирование и выделить группу "риска" относительно ожидаемых осложнений патологического процесса?

Сравнение эффективности двух или нескольких методов лечения конкретного заболевания является сложной задачей клинической медицины.

Группы, получаемые в процессе обычного назначения лечения, как показывают специальные расчеты, в большинстве случаев несопоставимы, поэтому непосредственное сравнение эффективности лечения в этих группах обычно некорректно.

До последнего времени считалось, что единственным корректным способом перспективного создания сопоставимых групп служит "слепой" отбор, который обеспечивает сопоставимость сравниваемых групп больных по всем факторам.

Однако практическое использование "слепого отбора" в клинике, с одной стороны, ограничено рядом этических трудностей, с другой - не позволяет использовать ретроспективные данные, что означает отказ от всего накопленного медициной опыта лечения исследуемого заболевания.

В связи с этим нами разработан метод ретроспективной рандомизации (МРР), моделирующий "слепой отбор" на ретроспективных данных [6 ].

Метод МРР позволяет формировать сопоставимые группы больных по заданному набору признаков для последующего сравнения эффективности различных методов лечения некоторого заболевания.

Если такие группы найдены, возникает возможность корректного сравнения методов лечения больных с данным заболеванием. Следует отметить, что формулировка критериев эффективности лечения - задача самостоятельная и не зависит от способов формирования сопоставимых групп. Конечно, определение степени случайности выбора лечения при таком подходе правомочно только в том случае, когда есть уверенность, что сведения о больных являются достаточными, т. е. включают все симптомы, которые могли влиять на выбор лечения.

По разработанной машинно-ориентированной карте БОИМ собран материал о 517 больных, перенесших инфаркт миокарда, госпитализированных не позднее 48 ч от начала острого приступа и переживших первые трое суток пребывания в стационаре.

Одна из задач - моделирование течения ОИМ в плане ожидаемых легочных осложнений, при использовании объективных цитохимических признаков (ЦХП) первых трех дней заболевания. В этом случае моделирование легочных осложнений сводилось к решению двух подзадач:

прогнозирование характера течения ОИМ по трем классам (без осложнений, с легочными осложнениями, с нелегочными осложнениями);

внутри группы легочных осложнений провести дифференциальную диагностику между инфарктом легкого, пневмонией и синдромом Дресслера, в этом случае к набору ЦХП первых трех дней добавлены данные на день осложнения [4].

Эти задачи решались с использованием алгоритмов "производных характеристик" и "дифференциальной диагностики".

Для сравнительной оценки эффективности лечения больных ОИМ использован метод ретроспективной рандомизации. Результаты проведенного анализа позволили сформулировать показания и противопоказания -ориентировать врача-клинициста к применению сердечных гликозидов, антикоагулянтов и других препаратов, в зависимости от клинических вариантов, особенностей течения и осложнения ОИМ [4,5 ].

Для решения некоторых специальных задач (например, изучения механизмов развития сердечной недостаточности по данным изучения динамики показателей функции внешнего дыхания в течение суток) использованы методы направленного проецирования "производных характеристик") и перебора конъюнкций для поиска инвариантных и вариабельных закономерностей в выделенных группах [12 ].

С использованием разработанной модульной системы предпринят метод решения задач прогнозирования реакции организма на фармакологическое воздействие в зависимости от исходного функционального состояния больного. Разработанная методика использована для изучения характера действия разовых терапевтических доз некоторых препаратов рецепторного типа у больных с гипертонической болезнью I - II стадий [11,13].

Опыт использования разработанной модульной системы для решения перечисленных задач позволил выявить следующее.

1. Введение в практику лечебных учреждений машинно- ориентированных медицинских карт по актуальным проблемам позволит обеспечить унификацию сбора данных о больных с обеспечением возможности корректного сопоставления результатов исследования на больших массивах данных с помощью ЭВМ. Собранные данные могут служить основой создания

общегосударственных регистров по актуальным проблемам медицины и здравоохранения.

2. Использование разработанной модульной системы математического обеспечения позволит провести дифференциацию больных по состоянию к моменту лечения, а также сформулировать объективные критерии и способы оценки различных фармакологических воздействий.

3. Предложенная технология разработки модульных систем может служить основой создания проблемно-ориентированных экспертных систем в медицине и здравоохранении.

ЛИТЕРАТУРА

1. А ш к и и у з е В. Г., К а р п В. П. и др. Некоторе принципы составления машинно-ориентированной медицинской карты. Труды III Всесоюзной конференции по биологический и медицинской кибернетике. - Тблилиси, 1978, т. ГУ,с. 51.

2. А ш к и н у з е В. Г., Дуда С. Г. и др. Машинно-ориентированная карта динамического наблюдения за больным острым инфарктом миокарда; там же, с. 47.

3. Б о н га рд М. М. Проблема узнавания. - М., Наука, 1967.

4. Заславская Р. М., Карп В. П. и др. Методические подходы к комплексной оценке эффективности лечения сердечными гликозидами больных в остром периоде инфаркта миокарда, депонирование в МРЖ, раздел 15, N 4,1984, с. 385.

5.3 а с л а в с к а я Р. М., Карп В. П. и др. Оценка влияния сердечных гликозидов в остром периоде инфаркта миокарда на исход заболевания с помощью метода ретроспективной рандомизации. - Фармакология и токсикология, N 6,1982, с. 39.

6. К а р п В. П. Моделирование слепого отбора в проблеме сравнительной эффективности методов лечения в клинической практике. - Вестник АМН, N 4,1988, с. 90.

7. К а р п В. П., А ш к и н у з е В. Г. и др. О программном обеспечении ввода, хранения и обработки данных клинических исследований. - Сб. Ш Всесоюзной конференции по биологии и медицинской кибернетике, 1978.

8. К а р л В. П., Минаева Е. Н. Программа графического представления динамики показателей. - ОФАП, 1988.

9. К а р п В. П., М о с к а л е н к о Л. И. Пакет программ для поиска логических закономерностей в выделенных группах. - ОФАП, 1987.

10. К а р п В. П., Ф а р б е р М. Ф., Полонский В. И. Разработка модульной системы программ в проблеме оценки эффективности лекарственных средств. Труды Всесоюзной школы-семинара. -Пущино, 1986.

11.Карп В.П., ФарберМ.Ф., Дмитриева Н. В. Принятие решений, основанных на МПК, в задаче изучения фармакологического действия лекарств рецепторного типа / Вычислительная математика и математическая физика, 1987,N 11,с. 1744-1747.

12. К а р п В. П., ЧернавскийД.О. К механизму развития сердечной недостаточности по данным изучения динамики показателей ФВД в течение суток, в кн.: Проблема оценки и прогнозирования функционального состояния организма в прикладной физиологии, тезисы докладов. - Фрунзе, 1988.

13. К а р п В. П., Чернавский Д. С. и др. Прогнозирование реакции организма на фармакологическое воздействие в зависимости от исходного функционального состояния больного. В кн.: Проблема оценки и прогнозирования функционального состояния организма в прикладной физиологии, тезисы докладов. - Фрунзе, 1988.

14. К у н и н П. Е., Карп В. П. Метод направленного общения в переборной схеме Бонгарда и онкологическая диагностика. В кн.: Моделирование обучения и поведения. - М.: Наука, 1975, с. 3.