ИНФОРМАЦИОННАЯ МОДЕЛЬ ДЛЯ ДИАГНОСТИКИ КРИТИЧЕСКИХ ЗАБОЛЕВАНИЙ

№64-1,

Технические науки

Статья описывает основные пути совершенствования процессов медицинской диагностики, с точки зрения развития информационных моделей заболеваний. На примере заболевания рака предстательной железы (РПЖ) демонстрируется процесс выделения наиболее значимых диагностических факторов. В качестве опорного метода распознавания стадий заболевания выступает хорошо известный в нечёткой логике матричный агрегатный вычислитель (МАВ).

Похожие материалы

На сегодняшний день уже не вызывает сомнений тот факт, что применение нечётко-логических моделей в различных сферах человеческой деятельности позволяет перейти на более качественный уровень решения поставленной задачи. Важную роль играет использование нечеткой логики и в медицине, особенно при диагностике критических заболеваний.

Под критическими заболеваниями в статье понимаются такие болезни, когда ущерб наносимый методами лечения заболевания, сопоставим с ущербом от самой болезни, и не существует щадящих методов лечения. К числу критических заболеваний относится и рак (в частности, рак предстательной железы у мужчин), который находится в фокусе нашего изложения. Онкологические диагнозы практически не поддаются диагностике на ранних стадиях и любой даже самый небольшой шаг в продвижении к намеченной цели может спасти чью-то жизнь. Учёные многих стран разрабатывают модели экспертных систем по диагностике онкологических заболеваний с использованием методов нечёткой логики, например, в [4-8] приведены различные модели по данному направлению. Чем же объясняется интерес учёных именно к критическим заболеваниям и в, частности к онкологическим? На это могут ответить объективные статистические данные.

Во всём мире причины гибели людей обязательно регистрируются — это тщательно отслеживают множество статистических организаций. В наши дни достичь предела Хейфлика — слишком большая редкость, поэтому основные причины гибели человека делятся только на два больших класса — это травмы и болезни, при этом второй класс значительно превышает первый. Различные заболевания ослабляют организм и приводят его к летальному исходу. По данным всемирной организации здравоохранения (ВОЗ) от травм погибает примерно 9% людей, все же остальные летальные исходы приходятся на инфекционные (23%) и неинфекционные (68%) заболевания. При этом, согласно международной классификации болезней (МКБ) по неинфекционным заболеваниям на первом месте находятся болезни сердца и системы кровообращения (46%), а на втором — онкозаболевания (22%). Таким образом, статистические исследования показывают, что смертность от рака составляет 15% от общемировой смертности, а ВОЗ прогнозирует возрастание онкозаболеваний в течении 20 лет ещё на 20%, и если сегодня ежегодно от рака умирает порядка 8 600 000 человек, то через 20 лет эта цифра может возрасти до 10 320 000 человек. При этом нужно понимать, что рак — это не одна болезнь, а своего рода класс «онкозаболевания», который насчитывает порядка 200 разновидностей болезней, и каждая из этих болезней имеет свои симптомы, методы диагностики и лечения. В свою очередь при анализе раковых заболеваний также выделяют «болезни-победители», в первую десятку которых входят (ранжировано по значимости): рак груди; опухоли бронхов, трахеи или легких; желудочные новообразования; рак предстательной железы; рак прямой кишки; рак крови и лимфоузлов; маточные опухоли; новообразования в почках; опухоли поджелудочной железы; цервикальный рак. Статистические данные по онкозаболеваниям не однородны, они разнятся по географическому месторасположению, по возрасту и полу, например, у мужчин характерны такие заболевания как (ранжировано по значимости): рак лёгких; рак предстательной железы; рак прямой кишки; рак желудка; рак печени и др.

Если, опять же, обратиться к статистическим данным, то можно сказать, что увеличение онкозаболеваний также идёт неравномерно, например, количество больных раком щитовидной железы возросло в 1,5 раза, а раком предстательной железы (РПЖ) увеличилось в два раза (в 2016 году по сравнению с 2000). К сожалению, причины возникновения РПЖ специалистам пока неизвестны (в отличие от других разновидностей раковых заболеваний, предположительно возникающих от онковирусов), однако они продолжают изучать молекулярные механизмы прогрессирования этого заболевания. На сегодняшний день понятно только, то, что рак простаты не возникает мгновенно, ему всегда предшествуют некие предраковые процессы, но успеть заметить начало активности этих процессов крайне сложная и пока нерешённая задача.

Диагностика заболевания РПЖ проходит несколькими информативными исследовательскими методами, первые четыре из которых являются основанием для проведения биопсии (таблица 1).

Таблица 1. Информативные методы исследования предстательной железы

Метод

Направление метода

Анамнез

Сбор симптомов и их интерпретация

Пальцевое ректальное исследование

Выявление наличия опухоли, оценка размера и плотности железы

Анализ крови на ПСА

Описывает присутствие в крови онкомаркера рака простаты

УЗИ предстательной железы

Выявление опухоли даже небольших размеров

Биопсия

Для гистологического анализа состава ткани опухоли

При положительном результате пациенту назначаются дополнительные анализы, такие как: трансректальное ультразвуковое исследование (ТРУЗИ); допплерография; рентген костей; компьютерная томография (КТ); магнитно-резонансная томография (МРТ); двухфотонная эмиссионная томография (ПЭТ-КТ); стинциграфия костей, радиоизотопные исследования; урофлоуметрия и т.д. На основании всех исследований в совокупности определяется клиническая стадия рака предстательной железы (ПЖ).

Таким образом мы имеем ряд укрупнённых показателей, на основании которых и будет строится нечётко-логическая модель раннего прогнозирования. При этом информация, получаемая благодаря перечисленным процедурам, всё равно является неполной, противоречивой или неточной. Каждая процедура даёт нам по несколько показателей, благодаря которым возможно построение диагностической модели, при этом каждый из перечисленных получаемых показателей, имеет нечёткую основу, и соответственно размытые границы, что уже само по себе предполагает включение нечёткого аппарата. Более подробно о выборе математического аппарата можно посмотреть в [1].

Для формирования информационной модели может быть использован матричный агрегатный вычислитель (МАВ), который хорошо проявил себя в экономике и был уже описан в [2,3]. После построения информационной модели предполагается её калибровка на основе имеющихся обезличенных статистических данных.

Подводя итог, необходимо сказать, что использование нечеткой логики в медицине — явление важное и необходимое. Повышение качества медицинской диагностики напрямую связано с выживаемостью. Внедрением нечётко-логического аппарата в экспертные системы диагностики не одно десятилетие занимаются учёные всего мира, тем не менее, работы в данном направлении ещё много и это направление по прежнему является перспективным.

Список литературы

  1. Абдулаева З.И. Применение нечётких множеств и мягких вычислений в медицинской статистике/ З.И. Абдулаева НоваИнфо - NovaInfo.Ru (Электронный журнал.) – 2016 г. – № 51; URL: http://novainfo.ru/article/7714
  2. Абдулаева З.И. Стратегический анализ инновационных рисков / З.И. Абдулаева, А.О. Недосекин. - СПб: Изд. СПбГПУ, 2013. – 146 с.
  3. Недосекин А.О., Абдулаева З.И. Оценка промышленных и экономических рисков предприятий. Учебное пособие. – СПб: СПбГПУ, 2016. – 108 с.
  4. Keles, A., Samet Hasiloglu, A., Keles, A., Aksoy, Y. Neuro-fuzzy classification of prostate cancer using NEFCLASS-J (Article) // Computers in Biology and Medicine. Volume 37, Issue 11, November 2007, Pages 1617-1628
  5. Kuo, R.-J. , Huang, M.-H., Cheng, W.-C., Lin, C.-C.c, Wu, Y.-H. Application of a two-stage fuzzy neural network to a prostate cancer prognosis system (Article) // Artificial Intelligence in Medicine. Volume 63, Issue 2, 1 February 2015, Pages 119-133
  6. Naguib, R.N.G., Robinson, M.C., Apakama, I., Neal, D.E., Hamdy, F.C. Neural network analysis of prognostic markers in prostate cancer. // (1996) British Journal OfUrology, 77 (1), p. 50. Cited 5 times.
  7. Seker, H., Odetayo, M.O., Petrovic, D., Naguib, R.N.G. A fuzzy logic based-method for prognostic decision making in breast and prostate cancers (Article) // IEEE Transactions on Information Technology in Biomedicine Volume 7, Issue 2, June 2003, Pages 114-122
  8. Torshizi, A.D., Zarandi, M.H.F. , Torshizi, G.D., Eghbali, K. A hybrid fuzzy-ontology based intelligent system to determine level of severity and treatment recommendation for benign prostatic hyperplasia (Article) // Computer Methods and Programs in Biomedicine. Volume 113, Issue 1, January 2014, Pages 301-313