Методологические основы построения интеллектуальной поддержки принятия решений в медицинских системах. тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Крошилин, Александр Викторович

• Крошилин, Александр Викторович
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Крошилин, Александр Викторович

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР И АНАЛИЗ АЛГОРИТМОВ И МЕТОДОВ ПОДДЕРЖКИ ПРИНЯТИЯ МЕДИЦИНСКИХ РЕШЕНИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

1.1. Проблемы поддержки принятия медицинских решений в условиях

неопределенности

1.2. Понятие и сущность управленческих решений

1.3. Разработка управленческих медицинских решений в условиях неопределенности

1.4. Решение задач искусственного интеллекта с помощью нечетких объектов

1.5. Особенности построения СППР в медицине

1.6. Основные принципы учета пациентов в медицинских учреждениях

Выводы по главе

ГЛАВА 2. НЕЧЕТКАЯ КЛАСТЕРИЗАЦИЯ ДЛЯ ЭФФЕКТИВНОГО ИССЛЕДОВАНИЯ СТАТИСТИЧЕСКОЙ ИНФОРМАЦИИ

2.1. Описание эффективного мониторинга данных для нечеткой аналитической системы

2.2. Кластеризация при исследовании статистических данных

2.3. Сложности, возникающие при использовании алгоритма кластеризации

2.4. Построение медицинских систем поддержки принятия решений ....................,

2.5. Моделирование ситуаций в системе поддержки принятия

решений на основе нечеткой кластеризации

2.6. построение систем поддержки принятия медицинских решений в условиях неопределенности в медицинских учреждениях

выводы по главе

ГЛАВА 3. МОДЕЛИ ПРОГНОЗИРОВАНИЯ РАЗВИТИЯ СИТУАЦИИ НА ОСНОВЕ НЕЧЕТКИХ СЕМАНТИЧЕСКИХ СЕТЕЙ

3.1. Модели представления знаний

3.2. Универсальная алгебра описания предметной области

3.3. Применение семантической сети при описании предметной области

3.4. Построение модели прогнозирования в интеллектуальной системе

3.5. Организация механизма логического вывода

3.6. Модель пациента

3.7. Модель действий, производимых с пациентом

3.8. Применение модели пациента для поиска решения

Выводы по главе

ГЛАВА 4. ПРИМЕНЕНИЕ КОГНИТИВНОГО АНАЛИЗА В ЗАДАЧАХ УПРАВЛЕНИЯ МАТЕРИАЛЬНЫМИ ПОТОКАМИ В

ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ

4.1. Учет материальных потоков в информационных системах

4.2. Когнитивный анализ

4.3. Когнитивные карты

4.4. Применение нечетких когнитивных карт

4.5. Универсальные нечеткие когнитивные карты

4.6. Моделирование на основе универсальных нечетких когнитивных карт

Выводы по главе

ГЛАВА 5. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМОВ, МЕТОДОВ И МОДЕЛЕЙ.В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

5.1. Интеллектуальная аналитическая система мониторинга пациентов на основе нечеткой кластеризации

для медицинских учреждений «Диспансер»

5.2. оценка развития при выбранном курсе лечения схожих ситуаций посредством систем поддержки принятия решений

на базе применения нечеткой логики «stacionar»

5.3. Автоматизированная информационная система медицинского учреждения «Эксперт»

5.4. Система поддержки принятия решений управления материальными потоками «ALF А VIT»

5.5. Программный комплекс интеллектуального управления товарными запасами на основе нечеткого когнитивного анализа

Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Приложение 1. Акты внедрения

Приложение 2. Свидетельства о регистрации программ

Приложение 3. Примеры построения систем интеллектуального анализа мониторинга пациентов на основе нечеткой кластеризации и

семантических сетей

Приложение 4. Примеры построения систем управления медицинскими материальными потоками на основе нечеткого когнитивного анализа

Введение диссертации (часть автореферата) на тему «Методологические основы построения интеллектуальной поддержки принятия решений в медицинских системах.»

ВВЕДЕНИЕ

Актуальность темы. Современные медицинские учреждения функционируют в эпоху динамически развивающихся технологических и информационных процессов, характеризующихся стремительными и широкомасштабными изменениями внешней среды, экономических и социальных отношений. Продуктивным инструментом исследования проблем в области управления и создания информационных систем по данному направлению являются методы моделирования. Представление процессов в указанных системах в виде моделей является основой проектирования систем поддержки принятия медицинских решений (СППМР) и способствует повышению эффективности как принятия медицинских решений (ПМР), так и управления медицинским учреждением в целом.

В процессе работы с пациентом выделяют два этапа: диагностика заболевание и лечение выявленной патологии, которые сложно разделить, поскольку для установления первичного диагноза и назначения курса лечения необходимо осуществлять мониторинг процесса, то есть проводить проверку состояния здоровья пациента с целью повышения продуктивности процесса лечения и коррекции его при необходимости. При этом врач выступает в качестве лица, принимающего медицинское решение (ЛПМР), вырабатывает медицинское решение (MP) в условиях недостаточности и неопределенности исходных данных, опираясь на собственные опыт, знания и интуицию.

Численность населения Российской Федерации, по данным Госкомстата, за последнее десятилетие сокращается в среднем на 800 тыс. человек в год. Эти показатели формируются на основании информации о рождаемости и смертности, составляемой работниками медицинских учреждений различных профилей. Медицинская ошибка, повлекшая за собой ущерб здоровью пациента, приводит к материальным потерям: 1) государственным расходам на компенсацию по утрате здоровья пациента; 2) расходам пациента на восстановление здоровья; 3) бюджет теряет (временно или навсегда) налогоплательщика.

Представление процессов в указанных системах в виде моделей является основой проектирования систем поддержки принятия медицинских решений (СППМР) и способствует повышению эффективности как принятия медицинских решений (ПМР), так и управления медицинским учреждением в целом.

В сложившихся условиях анализ деятельности таких организаций, вне зависимости от сферы деятельности и формы собственности, является научной основой принятия управленческих решений. Следовательно, возникает проблема автоматизации анализа деятельности медицинских учреждений, позволяющего точно оценивать с помощью новых современных методов исследования неопределенность медицинской ситуации. Решение этой проблемы может быть найдено в развитии методологии проектирования интеллектуальных СППМР.

ПМР производится на основе различной медицинской документации, представляющей собой набор документов для записи данных о состоянии отдельных лиц и здоровья населения в целом, отражающих объем, качество и характер оказываемой медицинской помощи всем категориям населения для ее организации, конроля и управления всеми учреждениями здравоохранения к результаты проведенных диагностик состояния здоровья пациента (СЗП), а также результаты проведенного анамнеза.

Процесс ПМР характеризуется недостаточностью знаний и противоречивостью имеющейся информации, отсутствием возможности привлечения компетентных врачей-экспертов, ограниченностью ресурсов во времени, неполнотой или неточностью информации о состоянии пациента. Отмеченные аспекты мо1ут являться причинами врачебных ошибок, приводящих в дальнейшем к усугублению проблемной ситуации.

Классические методы многокритериального анализа в проблемах принятия решений представлены в работах таких ученых, как: Р. Кини, A.A. Амосов, Р. Клемен, А. Вальд, В.Д. Ногин, О.И. Ларичев, Т. JL Саати, А.И. Орлов, А.Н. Тихонов, С. Ханссон, Дж. К. Смит. Эти методы требуют разработки и создания сложных многоуровневых СППМР, базирующихся на теории математических моделей, которые позволяют учитывать большое количество критериев и

параметров, что в свою очередь характеризуется значительной стоимостью разработки таких систем и высокими вычислительными затратами.

В общем случае проблемы поддержки принятия медицинских решений (ППМР) в условиях неопределенности очень часто бывают слабоструктурированными или плохо формализованными. В связи с этим применение традиционных методов моделирования сложных систем является малоэффективным, что в свою очередь ведет к применению специально разработанных механизмов ППМР на базе нечетких множеств вкупе с методами теории алгебры логики, семантических сетей и теории когнитивного анализа.

Значительный вклад в совершенствование теоретических основ нечетких множеств внесли: А.Н. Аверкин, JI.C. Бернштейн, P.A. Алиев, А.Е. Алтунин, A.B. Алексеев, К. Асаи, Р. Веллман, А.Н. Борисов, И.З. Батыршин, Л.А. Заде, А. Кофман, A.B. Леоненков, С.Я. Коровин, O.A. Крумберг, Н.Г. Малышев, К. Негойце, А.Н. Мелехов, Р. Ягер, Д.А. Поспелов, Т.Л. Саати, А. Тверски, М.В. Семухин, Т. Тэрано, С.А. Орловский, С.Д. Штовба и др. Реализация алгоритмов нечеткого вывода освещена в работах X. Ларсена, Е. Мамдани, Т. Такаги, Й. Цукамото.

Проблема применения СППМР в обеспечении эффективного лечения различных инфекционных заболеваний (в том числе таких, как туберкулез) и инфекционной безопасности присуща ряду направлений в различных мероприятиях. Как свидетельствует практика, современные медицинские учреждения при работе применяют различные медицинские информационные системы (МИС), с помощью которых возможно накапливать, обрабатывать и хранить большие объемы различной медицинской информации, однако во многих случаях она часто не используется врачами при ПМР либо использование этой информации представляется затруднительным.

Другими словами, накопленная статистическая информация является практически бесполезной. Для эффективного использования в медицинской практике имеющейся статистической информации необходимо создание интеллектуальных систем, обеспечивающих оценку состояния как пациента, так и

эпидемиологической обстановки в целом. В основу создания таких систем, помимо накопленных результатов, могут быть положены и результаты работы различных медицинских приборов для осуществления сбора большого набора медицинских данных, в настоящее время для аппаратуры, аккумулирующей данные физических процессов, достигнуто оптимальное сочетание точности, качества и отображения результатов наблюдений пациентов, что позволит врачам оценивать влияние примененной схемы лечения на организм пациента и накапливать информацию для формирования представления о «новых течениях болезней». В классических СППМР в процессе формирования групп возникает проблема выбора так называемых группировочных признаков, количество которых зависит от некоторой метрики, количество этих параметров постоянно возрастает. В зависимости от целей вопрос о выборе масштабов и метрики имеет различное содержание. Таким образом, оптимальным механизмом для автоматизированного решения является эффективная обработка статистической информации [310] и комплексный анализ полученных результатов средствами интеллектуального анализа с применением технологий нечеткой кластеризации и нечетких множеств.

Основные принципы современной теории кластеризации базируются на работах Дж. Рубина, С. МакНотона, Д. Дюрана, П. Оделла, В.В. Белова, Д.А. Вятченина, Т. Кохонена, JI.A. Демидовой, Г. Болла, Дж. Мак-Кина, Д. Холла, Г. Ланса, М. Брюиноша, У. Уильямса, М. Жамбю, Р. Дженсена, Г. Миллигана, X. Фридмана, Н.Г. Загоруйко и др. В работах Дж. К. Беждека, Р.Н. Дейва, Дж. К. Данна, Р. Кришнапурама, Дж. М. Келлера, Я. Охаши предлагаются алгоритмы нечеткой кластеризации. Многие работы таких ученых, как Я. Батистакис, Г. Бени, X. Галда, М. Сугено, И. Гаф, А. Гева, Д. Густафсон, В. Кессел, М. Халкиди, С. Се, Ю. Фукуяма, посвящены разработке и анализу показателей качества кластеризации в алгоритмах нечеткой кластеризации.

На современном этапе развития информационных технологий для исследования основной деятельности медицинских учреждений существует множество программно-технических и математических средств автоматизации,

связанных как с анализом эпидемиологической ситуации территорий, так и с прогнозированием её динамики [3, 160, 190, 299]. Объединяющей идеей в этой области большинства современных подходов является применение моделей медицинских процессов как средства проектирования моделей пациента и проблемной медицинской ситуации. Построение исследования динамики происходящих процессов основано на применении теоретико-графовой сети, представляющей последовательности возможного изменения проблемных медицинских ситуаций, возникающих в медицинских учреждениях. Результаты проведенного анализа являются не только научной базой для принятия медицинских ! решений, но и мотивацией для проведения различных профилактических мер.

В области построения СППМР целесообразно использовать: концепции построения автоматизированных МИС, теоретические принципы создания медицинских экспертных систем (МЭС), моделей представления знаний, семантических сетей, универсальных алгебр, нечетких логик и применение теории выбора (А.О. Недосекин, Г.С. Поспелов, A.A. Дородницын, И.А. Каширин, Э.В. Попов, M.JI. Минский, М.А. Айзерман, Н. Нильсон, В.М. Глушков, A.B. Шеер, Р. Риченс, Р. Симмонс, С. А. Юдицкий, Д. Дюбуа, А. Прад, Г.Н. Калянов). На основе этой теории осуществляется построение модели пациента, методов лечения и эпидемиологической ситуации с применением устоявшихся медицинских закономерностей.

Хранилища данных различных автоматизированных информационных систем, применяемых в медицинских учреждениях, позволяют накапливать информацию о материальных медицинских ресурсах (т.е. о материальных потоках, находящихся в состоянии движения, к которым могут применяться логистические операции, описывающие физическое перемещение потока в пространстве: погрузка, перевозка, разгрузка, сортировка, затаривание, разукрупнение, консолидация и т.п). В определённые моменты времени материальный поток может быть представлен как запас готовой продукции, или запас материального ресурса, или запас незавершенного производства при

условии, что материальный поток пребывает в состоянии покоя. В торговых организациях материальный запас рассматривается в качестве товарного запаса. В случае с медицинскими запасами хранилища данных накапливают и обрабатывают информацию о произведенных продажах, закупках, схеме взаимодействия с поставщиками, об особенностях поставок товара, сезонных индикаторах продаж по определенным торговым позициям, распределении внутри медицинского учреждения, взаимозаменяемости и т.д., что с успехом можно применять для извлечения новых знаний, требующихся для качественного управления медицинскими материальными потоками в интеллектуальных СГТПМР.

В связи с этим остро стоят вопросы проработки методов автоматического выявления новых закономерностей и разработки интеллектуальной многоконтурной СППМР аналитики материальных потоков. Разработка управленческих медицинских решений (УМР) является одним из важных процессов в управлении медицинскими материальными потоками, потому что принимаемые медицинские решения определяют не только эффективность процесса медицинского управления, но и возможность совершенствования управляемой медицинской системы и ее стабильной работы в динамически изменяющейся ситуации на рынке, в том числе и экономической [211].

В основе развития задач эффективного регулирования материальных потоков научным направлением является методология когнитивного анализа, при которой эффективным инструментом считаются нечеткие когнитивные карты (НКК), хорошо проявившие себя в вопросах исследования структуры модели системы учета материальных потоков и получения прогнозов ее развития при разнообразных управляющих воздействиях с целью повышения эффективности стратегии управления.

В области теории когнитивного анализа и НКК необходимо отметить работы таких ученых, как: Р. Аксельрод, Е.А. Гребенюк, В.И. Максимов, А.К. Григорян, В.Б. Силов, К. Идеи, В.М. Казиев, А.Н. Райков, C.B. Качаев, C.B. Ковриги, Е.К.- Корноушенко, Б. Коско, A.A. Кулинич, Д.И. Макаренко, Ф.С.

Роберте, Э.Ч. Толмен, A.C. Федулов.

Особое место в общей проблеме 111 IMP занимает проблема ППМР в условиях неопределенности.

Для решения этой проблемы на современном этапе развития информационных технологий необходимо применение высокоинтеллектуальных информационных систем, неотъемлемой частью которых являются средства обработки информации, строящиеся на теоретических основах нечетких множеств. Во всех сложных системах имеется проблема неопределенности. К определению «сложные системы» относятся: социально-экономические системы, различные аналитические системы (в том числе и медицинские аналитические системы), системы диагностики и контроля различных процессов, системы классификации и кластеризации объектов различных предметных областей и др.

Существует большое количество разнообразных подходов к созданию интеллектуальных систем и к представлению задач искусственного интеллекта (ИИ) [215, 220, 221], среди которых возможно отметить два основных. Первый подход называют нисходящим (семиотическим), он состоит в создании различных ЭС, баз знаний (БЗ) и систем логического вывода, позволяющих имитировать разные высокоуровневые психические процессы: речь, рассуждение,» мышление, творчество, эмоции и им подобные. Второй подход - восходящий (биологический), состоит в изучении различных эволюционных вычислений и нейронных сетей, строящих модель интеллектуального поведения базирующихся на более мелких и «неинтеллектуальных» элементах. Для разрабатываемой высокоинтеллектуальной системы необходимо применять оба подхода.

Применение классических алгоритмов моделирования при построении высокоинтеллектуальных систем, основанных на пошаговом процессе получения результатов и регламентированной постановке задачи, при решении конкретных задач в С1111МР чаще всего становится низкоэффективным, так как их работа основана на использовании полной, точной, как правило численной и непротиворечивой, входной информации, что чаще всего не отвечает требованиям задач с высоким уровнем неопределенности.

Нахождение решения проблемы ПМР в условиях неопределенности обеспечивает теория нечетких множеств с использованием методов алгебры логики и теории когнитивного анализа. В данное время уделяется большое внимание развитию гибридных технологий построения интеллектуальных систем, функционирующих в условиях неопределенности и реализующих комплексное использование различных методов ИИ, позволяющих сформировать новую методологию построения таких информационных систем.

Особая роль при таком подходе отводится знаниям, характеризующим предметную область в различных прикладных задачах (Н.Г. Ярушкина, К.А. Майков, В.В. Борисов, A.B. Кузьмин, В.В. Круглов, Ю.Н. Минаев, А.П. Ротштейн, М. Пилиньский, Д. Рутковская, A.A. У сков, J1. Рутковский, О.Ю. Филимонова и

ДР-)-

При этом этапы поддержки принятия решений и выбор результатов моделирования определяются текущим состоянием системы, точнее состоянием базы знаний, входящей в ее состав. К подобным методам, в первую очередь, можно отнести методы, базирующиеся на применении нечеткой кластеризации с использованием нечеткого отношения равнозначности, построения предметной области с использованием семантической сети с применением нечетко-множественного подхода, математического аппарата нечетких когнитивных карт.

В результате исследования известных методов, алгоритмов и моделей 111 IMP в условиях неопределенности и неполноты исходной информации, основанных на использовании инструментария теории нечетких множеств, был сделан вывод, что во многих случаях они не обеспечивают получение соответствующих требованиям решений ввиду малообоснованного выбора параметров моделирования, при этом нахождение адекватных решений из-за необходимости многократного выполнения реализаций используемых методов, алгоритмов и моделей с целью выбора наиболее оптимальных параметров сопровождается большими временными затратами.

Актуальность проблемы заключается в необходимости разработки интеллектуальных медицинских систем на основе эффективных методов,

алгоритмов и моделей 111 IMP в условиях неполноты и неопределенности исходных данных, позволяющих обеспечивать высокую адекватность и обоснованность принимаемых решений в условиях ограниченности временных ресурсов. Совокупное использование инструментария теории универсальных алгебр и семантических сетей, теории нечетких множеств и нечеткой логики, а также теории когнитивного анализа дает возможность создать качественно новые медицинские информационные системы, позволяющие решать более широкий круг задач ППМР в условиях неполноты и неопределенности исходных данных и обеспечивать . эффективность принимаемых решений (за счет повышения точности, объективности и адекватности) в условиях неопределенности.

Научный аспект сформулированной проблемы заключается в развитии теоретических основ поддержки принятия медицинских решений на основе теории нечетких множеств, семантических сетей к когнитивного анализа.

Практическая часть проблемы заключается в разработке алгоритмов, специального комплексного программного обеспечения и его применении на практике для поддержки принятия медицинских решений в сфере медицины.

Цель диссертационной работы заключается в разработке эффективных методов, алгоритмов и моделей поддержки принятия медицинских решений в условиях неопределенности на основе совокупного использования теории нечетких множеств, семантических сетей и когнитивного анализа, позволяющих повысить надежность и качество принимаемых решений, а также минимизировать материальные потери от совершения медицинских ошибок.

Для достижения поставленной цели были решены следующие основные задачи.

1. Разработка метода и алгоритма нечеткой кластеризации на основе нечеткого отношения равнозначности, порождаемых свойствами исследуемых данных и без использования дополнительных сведений о кластерах.

2. Разработка концепции генерации возможных альтернатив рекомендаций по 111 IMP на основе анализа проблемных ситуаций, возникающих при лечении пациента, и формирование сетевой архитектуры модели пациента и действий,

производимых с ним. Концепция строится на теории семантических сетей и теории нечетких множеств и использует гипотезу о подобии.

3. Разработка нечеткой когнитивной карты - универсальной нечеткой когнитивной карты (УНКК), которая объединила в себе все положительные свойства существующих когнитивных карт. УНКК позволит использовать больше возможностей при построении моделей сложных систем, описывающих предметные области (ПрО). На основе УНКК возможно построение когнитивной модели ПрО и проведение когнитивного анализа.

4. Формулирование принципа построения интеллектуальных СППМР в медицинских учреждениях, в условиях неопределенности, на основе теорий нечетких множеств, семантических сетей и когнитивного анализа.

5. Решение медицинских прикладных задач 111 IMP в условиях неоднозначности и неопределенности исходной информации с использованием разработанных методов, алгоритмов и моделей.

Область исследования. Принятие управленческих решений в трудноформализуемых предметных областях.

Объектом диссертационного исследования являются интеллектуальные СППМР, особенности технологии их функционирования в условиях неопределенности и неполноты априорной информации.

Предметом исследования являются:

- модели 111 IMP с использованием интеллектуальных систем на основе нечеткого вывода;

- методы и алгоритмы нечеткой кластеризации многомерных объектов в условиях неполноты априорной информации;

- модели развития процессов, базирующихся на семантических сетях с использованием теории нечетких множеств;

- методы и алгоритмы когнитивного анализа на базе нечетких когнитивных карт в задачах управления медицинскими материальными потоками.

Методы, исследований. Методы, используемые в данной работе, в соответствии с принципами системного подхода объединяются для решения

поставленных задач. Теоретические исследования проведены с применением методов теорий универсальных алгебр, семантических сетей, нечетких множеств, кластеризации, когнитивного анализа, когнитивных карт, принятия решений, нечеткой логики, вероятностей и математической статистики, системного и математического анализа, построения БД и автоматизированных корпоративных информационных систем. Экспериментальные исследования были выполнены с применением методов моделирования (математического и имитационного), технологий объектно-ориентированного и модульного программирования, технологий построения распределенных баз данных и многомерных кубов данных.

Научная новизна результатов работы. В рамках диссертационной работы были получены следующие основные результаты, обладающие научной новизной.

1. Разработана модификация метода нечеткой кластеризации на основе нечеткого отношения равнозначности, порождаемая свойствами исследуемых данных и без использования дополнительных сведений о кластерах, которые не зависят от формы кластеров, для чего введены и определены понятия «мягкое нечеткое отношение» и «нечеткое отношение равнозначности», при этом оценивается качество каждого разбиения и выбирается наилучшее из них.

2. Предложен алгоритм на основе разработанного метода нечеткой кластеризации, который позволяет в исследуемых данных продуктивно выявлять кластеры произвольной формы. Выбор наилучшего из решений задачи кластеризации выполняется с использованием нечеткого отношения равнозначности, применяется специально разработанный критерий — нечеткая оценочная функция разбиения, использующая понятие мощного кластера.

3. Предложена концепция выработки возможных альтернатив рекомендаций по принятию медицинских решений на базе анализа ситуаций. В основе: гипотеза о подобии (получение ситуаций и рекомендаций, в которых понятийные пространства наиболее близки понятиям, описывающим проблемную ситуацию); методика построения предметной области с использованием семантической сети для рекомендательной медицинской базы знаний; определены

нечеткие множества для приблизительных рассуждений и обработки неопределенности при создании модели знаний; основы построения логического вывода для выбора рекомендации; алгоритм расчета веса ключевого понятия в рекомендации; методика получения рекомендации из базы знаний; алгоритм, оценивающий полученные рекомендации согласно ключевым понятиям проблемной ситуации.

4. На основе концепции построены: сетевая архитектура модели пациента для интеллектуальной системы; модель действий, производимых с пациентом. Модели позволяют производить расширенный и ординарный способ анализа ситуации на базе оценочной функции и использования критериальных механизмов выбора, дающих возможность с высокой достоверностью находить наиболее релевантные наборы действий согласно сложившейся ситуации, а также осуществлять их ранжирование по степени значимости.

5. Предложен тип - универсальная нечеткая когнитивная карта (УНКК), объединяющая в себе все положительные свойства существующих нечетких когнитивных карт. В УНКК теория нечетких множеств используется как при анализе структуры, так и при построении самой карты. В структуре карты нечеткими являются: концепты и связи между концептами, которые отражают тип распространения влияния концепта на концепт; механизмы накапливания влияния группы концептов на конкретный концепт (динамическое моделирование).

6. Разработаны метод и алгоритм обучения УНКК, который позволяет повысить точность их построения и адекватность моделируемых ПрО за счет учета накопленной статистической информации о состояниях исследуемой системы в определенные моменты времени. Введены аналитические показатели устойчивости УНКК - системные показатели модели, рассчитываемые на основе значений нечеткой транзитивно-замкнутой матрицы влияний концепта на концепт и ориентированные на решение задач поддержки принятия решения управления медицинскими материальными потоками в динамике.

7. Разработана модель динамики для УНКК, которая дает возможность моделировать и проводить анализ поведения сложных систем, принимающая в

расчет: нелинейный характер влияния между концептами в корреляции от нечеткого состояния концепта на входе и концепта на выходе; одновременный учет влияния значений изменений концептов и значений их состояний; нелинейный характер влияния изменений концептов; одновременный учет концептов разных знаков друг на друга. Предложен способ построения модели предметной области на основе УНКК.

8. Предложен принцип проектирования интеллектуальных CiilIMP в медицинских учреждениях в условиях неопределенности, на основе теорий нечетких множеств, семантических сетей и когнитивного анализа.

Список литературы диссертационного исследования кандидат наук Крошилин, Александр Викторович, 2014 год

Список УШК

Настройки

Ш"1*р У М м+ м-

... , 4»

I «ж. ■ шмннвиНН

Рисунок 5.22 - Главное окно ПК основной функции системы «Когнитивное моделирование»

1) задача построения УНКК (концепты и связи между концептами описываются соответствующими лингвистическими переменными, которые задаются тройкой нечетких переменных и нечеткой функцией принадлежности);

2) задача построения динамической модели ситуации на основе УНКК с применением последовательной схемы модели с выводом нечетких продукционных правил;

3) обучение УНКК на основе алгоритма Хебба или на основе обучающей выборки;

4) анализ устойчивости УНКК по аналитическим показателям, рассчитанным на основе значений нечеткой транзитивно-замкнутой матрицы;

5) построение модели предметной области «Материальный поток» на основе УНКК по разработанной методике.

Общая схема ПК «АИ^ёг.Товарный запас» представлена на рис. 5.23.

В разработанной системе имеется возможность работы с демонстрационными примерами.

Рисунок 5.23 - Общая структура ПК «АИ^ёг.Товарный запас» При работе с ПК имеется окно настроек (см. рисунок 5.24), в котором можно указать:

- количество концептов и их название;

- количество экспертов, осуществляющих оценку;

- выбор способа обучения карты;

- редактирование шкалы влияния концептов.

551С:Предлрияг№ - А11-2Л-.Товарный запас {»ее. 1.4): Администратор

! Файл Действия Операции Справочник Документ Отчет Когнитивный анализ Сервис Окна Помощь

.■».101 х!

>,М О Ср

© с®. |

С Предметная область

Эксперты

Предметная область-

¡Материальный поток: количество медикаментов Концепты

Концепты

Построение УНКК

Построение динамической модели

Обучение УНКК

Анализ УНКК

Список УНКК

Список концептов-

Ценовая категория Время доставки медикамента Уровень подготовки персонала агт Форма торговли Категория аггтеки <1

Концепт:

¡Риск

« Добавить | Удалить » | Количество концептов:

Эксперты Список экспертов.

1рошкинА П Сергеев И.А. Скрябина А С. Федулое ПА.

Эксперт:

|ПанинА.П. • « Добавить

Удалить» ] !

Ч ис ло э кспертов:

Способ обучения УНКК:

Р" алгоритм Хебба Р" обучающая выборка

Редактировать шкалу

Сохранить

Закрыть

53«!!

м м+ м-

, "А г

' ' - . . --о

-

ЩшшШЯЯЩ

Я Ч ^ . Я V

а

[Наименование Вес

1| Влияние очень сильное отрицательное •1 00

5 Влияние сильное отрицательное •0.75

|б|| Влияние среднее отрицательное -0 50_I

щ Влияние слабое отрицательное -0 25

Нет влияния

л Влияние слабое 0 25

л Влияние среднее 050

^ Влияние сильное 0 75

а Влияние очень сильное 1 00

,"■ -.. '-I-Г

> ** К^л,?

Рисунок 5.24 - Настройки системы для когнитивного моделирования

При настройке ПК можно указать способ обучения УНКК: алгоритм Хебба, на основе обучающей выборки, смешанный тип или не проводить обучение.

Также можно указать необходимость построения динамической модели или от нее отказаться. Имеется функционал, позволяющий добавлять или удалять концепты и перестраивать связи между ними.

В ПК разработан удобный пользовательский интерфейс, позволяющий вводить данные непосредственно с клавиатуры или загружать из текстовых файлов определенного формата (например: название концептов, значение связей между ними, обучающую выборку).

Подсистема преобразования информации для ввода и вывода предоставляет возможность ввода данных и вывода данных в интерактивном режиме, представления графической информации в удобном и понятном виде для пользователя.

Пользователи системы сгруппированы по их функциональным возможностям (эксперты ПрО, аналитики и т.п). Система для каждой группы пользователей предоставляет комплект инструментов, функций, прав и отдельный интерфейс.

В своей работе подсистема использует подсистему сбора, корректировки и выдачи информации.

Подсистема сбора, корректировки и выдачи информации осуществляет сбор и формализацию данных, полученных от экспертов и аналитиков, выявление и устранение спорной и противоречивой информации, генерацию рекомендаций по решению этих проблем.

С помощью этой подсистемы осуществляется загрузка данных из файлов, а также при необходимости выгрузка данных во внешние файлы. В этой же подсистеме заложен механизм построения нечетких продукционных правил в виде таблиц.

В системе реализован новый подход к проектированию НКК на базе функций принадлежности дискретных нечетких множеств, что позволяет анализировать мнение группы экспертов, тем самым повышая качество

построения когнитивных моделей. Адаптированы методы статистического и динамического моделирования на базе НКК с использованием направления и степеней зависимости между объектами ПрО.

В ПК имеется возможность создавать, хранить и редактировать универсальные нечеткие когнитивные карты и модели, построенные на их основе. Чтобы снизить степень субъективизма экспертов, присутствует метод непрямого задания весов связей в УНКК с применением оценочной функции. Ведущий эксперт может напрямую задать веса, используя при этом собственный опыт, или матрицу смежности, или граф, построенный на основе УНКК.

Подсистема построения УНКК выполняет:

- задачу построения УНКК (концепты и связи между концептами описываются соответствующими лингвистическими переменными, которые задаются тройкой нечетких переменных и нечеткой функцией принадлежности) (п. 4.5);

- задачу построения модели предметной области «Материальный поток» на основе УНКК по разработанной методике (п. 4.6).

Вначале разработки системы был проведен анализ предметной области «Товарный запас аптеки». Рассмотрены бизнес-процессы сети аптек (приложение 4, пп. 4.1 - 4.6). В разработке УНКК принимали участие 4 эксперта, 1 инженер по знаниям и сотрудники отдела маркетинга (7 менеджеров и 1 руководитель отдела), также в качестве консультативной помощи привлекались 8 директоров аптек различной категории.

Был предложен новый усовершенствованный алгоритм учета товарного запаса на основе когнитивного анализа (приложение 4, пп. 4.2 - 4.7). Для построения УНКК в предметной области «Товарный запас аптеки» было выделено 9 концептов (приложение 4, п. 4.10) и построены связи между ними.

Построение УНКК происходит по методу №3 (п. 4.3). Построением когнитивной карты занимается группа экспертов. Осуществляется опрос группы, каждый эксперт самостоятельно оценивает причинно-следственные связи. При

таком подходе удается агрегировать индивидуальные оценки, подход базируется на большем количестве оценок.

Формирование и применение когнитивной карты происходит по определенной схеме (п. 4.3). Оценивание значимости причинно-следственных связей между понятиями (концептами) ПрО производится каждым экспертом согласно определенной последовательности шагов (п. 4.4). Значения влияния концептов проставляются согласно таблице (таблица 4.3).

Каждый концепт описывается соответствующими лингвистическими переменными, которые задаются тройкой нечетких переменных и нечеткой функцией принадлежности. Связи между концептами описываются по такому же принципу и определяются для каждой пары концептов (п. 4.5).

Построение модели предметной области «Материальный поток» на основе УНКК осуществляется по разработанной методике (п. 4.6) . Структурная схема подсистемы построения УНКК показана на рисунке 5.25.

Рисунок 5.25 - Структурная схема подсистемы построения УНКК

Все данные, полученные в результате работы подсистемы, сохраняются внутри системы и при необходимости могут быть выгружены в текстовой файл определенной структуры (приложение 4, п. 4.9). При необходимости построенная УНКК может быть отредактирована.

Подсистема работы с УНКК отвечает за расчет системных показателей, определение взаимного влияния объектов ПрО друг на друга и влияния ПрО на каждый объект внутри нее, а также внешнее влияние на объекты ПрО, выработку рекомендаций по изменениям УНКК.

Функции статического и динамического моделирования на основе УНКК в разработанной системе предоставляют свои результаты пользователю в максимально наглядном виде, также пользователь имеет возможность динамического согласования некоторых параметров моделей с помощью специального интерфейса.

Подсистема работы с УНКК выполняет следующие основные функции:

- задачу проектировая модели ситуации на базе УНКК с применением последовательной схемы модели с выводом нечетких продукционных правил в динамике (пп. 4.5, 4.6);

- производит обучение УНКК на базе алгоритма Хебба или на базе обучающей выборки (п. 4.6);

- производит анализ устойчивости УНКК по аналитическим показателям, рассчитанным на основе значений нечеткой транзитивно-замкнутой матрицы (таблица 4.8).

На рисунке 5.26 представлена структурная схема подсистемы работы с УНКК.

Полученные в результате работы все выходные данные подсистемы сохраняются внутри системы и при необходимости могут быть выгружены в текстовой файл определенной структуры (приложение 4, п.4.9).

С помощью блока динамического моделирования возможно составление сценариев развития ситуаций, изменение сценариев пользователями, моделирование сценариев развития событий — вариантов развития ситуаций,

ранжирование сценариев, выдача рекомендаций пользователю.

Рисунок 5.26 - Структурная схема подсистемы работы с УНКК Задача построения модели ситуации на базе УНКК с определением вектора начальных состояний концептов с расчетом функции преобразования системы во времени динамической состоит из следующих этапов (п. 4.5). ,

На рисунке 5.27 представлена структурная схема блока построения модели ситуации на основе УНКК в динамике.

В момент времени t каждому узлу в соответствие задается мера активности. Определяя в момент времени 0 вектор активности X, вычисляем по формуле значение функции активности в [формулы (4.42) и (4.45)]. При расчете используем непрерывную функцию.

Результат такого представления УНКК во времени - последовательность векторов состояний, определяющая состояния системы, моделируемой в последующих итерациях. Изменяя векторы начальной инициализации, имеем возможность получать разные результаты моделирования.

Задача построения динамической модели ситуации на базе УНКК с применением последовательной схемы модели с выводом нечетких продукционных правил строится по следующему алгоритму (п. 4.6). Приведем словесное описание.

1. Определение входного концепта: ЬЦ = {¿и^}.

Блок построения динамической модели ситуации на основе УНКК

Построение динамической модели УНКК

Определение вектора начальных значений концептов Рс(0)

Определение вектора активности концептов Гф)

Расчет функции преобразования системы Гс,0+1)

Сохранение данных в системе

А

Чтение данных из системы

Построение динамической модели УНКК на основе НПС

Определение приращения входного концепта дсдо

Построение НПС2

ь.

Построение нечетких правил для НПС2 АС (1+1)

Определение входного концепта

Щ = {¿п>р21

Определение выходного концепта

Итоговое нечеткое мн-во Ко/АСД< + 1)

г

Построение НПС1 «9

г

Построение нечетких правил для НПС1 &„(!)

Итоговое мн-во для выходного концепта Го/ДС,(/ + 1)

Мн-во значений выходного концепта С,«+1)

Выход

Рисунок 5.27 - Структурная схема блока построения динамической модели

ситуации на основе УНКК

2. Определение выходного концепта: Щ = }.

3. Определение приращения входного концепта: ДСДО-

4. Построение НПС1: функция иу.

5. Построение нечетких правил для НПС1: получение соц (0.

6. Построение НПС2: функция .

7. Построение нечетких правил для НПС2: получение ЛСу (/ +1).

8. Получение итогового нечеткого множества: Уо1АСи (г+1).

9. Получение итогового множества для выходного концепта: Го/ЛС,.(/+1).

10. Вычисление множества значений выходного концепта: С, 0+1).

11. Повторить пп. 1-10 для каждого множества концептов ПрО в момент времени и

Разработанная модель динамики для УНКК дает возможность моделировать и проводить анализ поведения сложных систем, описывающих различные ПрО.

В блоке обучения подсистемы работы с УНКК реализована возможность применения трех сценариев обучения: на основе обучающей выборки, на основе алгоритма Хебба и на основе комбинированного подхода, при этом используются различные варианты комбинаций этих двух алгоритмов.

Вариант обучения указывается в окне настроек ПК (рис. 5.24). Эти подходы можно менять в зависимости от задачи, решаемой УНКК, или использовать последовательно, оценивая полученный результат. Возможные варианты совместного использования адаптивного и экспертного подхода в обучении УНКК представлены в главе 4 (таблица 4.7).

Наиболее интересным является комбинированный подход, когда весь набор правил задается экспертами, а веса связей между концептами настраиваются в процессе обучения, но при этом должны быть заданы базовые множества значений всех концептов ПрО в необходимые для анализа промежутки времени.

Описание обоих алгоритмов, а также их комбинация приведены в п. 4.6. На рисунке 5.28 отражен фрагмент текстового файла определенной структуры с содержанием обучающей выборки представлен.

На рисунке 5.29 представлена структурная схема блока обучения УНКК. Обучение УНКК позволяет повысить точность построения и адекватность моделируемых ПрО за счет учета накопленной статистической информации о состояниях системы в определенные моменты времени.

В подсистеме работы с УНКК производится анализ устойчивости УНКК по аналитическим показателям, рассчитанным на основе значений нечеткой транзитивно-замкнутой матрицы (таблица 4.8).

Обучгние_У1 lKK.txt - ЛкНРас)

Файл Правка Вид Настройки Справка ............................................................._

|код1обвы6;Концепт_Номер;Концепт_цель;Кониепт_влиян;Вес;к1;к2;кЗ;к4;к5;кб;к7;к8;к9; л

1012;к1 1012;к2 1012;кЗ 1012;к4 1012;к5 1012;кб 1012;к7 1012;к8 1012;к9 1015;к1 1015;к1 1015;к2

1,00;0;0;0;0;0;0;0;0;0; 0,85;0,95;0;0,75;0,25;0;0,45;0,55;0,9;0; 0,55; О; 0; О; О; О; О; 0,45;-0,25 ;0; 0,95;0,35;О;-0,15;О,55;0;О;О;-0,85;-0,45; 0,75;0;0;-0,45;0,35;0;0,95;0,95;-0,65;0; 0,70; 0,85; О; 0,85;0;0,95;О;О;0,95;0; 0,95;0,65;0;0;0,55;0;0;0;-0,95;0; 0,95;0,95;0;0,55;0;0;0,85;0;0;0; 0,75;0,65;0;1;0;0;0;0;0,85;0; 1,00; О; О; О; О; О; О; О; 0; О; 0,95;О;О;0;О,35;О;-0,15;0,55;0;-0,95; 0,75; 0,95; 0,95;0,85;0;-0,95;0;0,55;О;-0,45;

1.-1

-Мп|1251" САЫБ1- ^риляицаГ

Рисунок 5.28 - Фрагмент файла с обучающей выборкой Для исследования устойчивости УНКК в качестве аналитических показателей рассматриваются системные показатели УНКК модели, рассчитываются они на основе значений нечеткой транзитивно-замкнутой матрицы влияний концепта на концепт и ориентированы на решение задач поддержки принятия решения управления материальными потоками в динамике.

Рисунок 5.29 - Структурная схема блока обучения УНКК Используя полученные значения УНКК и применяя формулы (4.69) и (4.70) (п. 4.6), в системе рассчитываются восемь основных показателей устойчивости. Анализируя значения этих показателей, эксперт и инженер по знаниям делают

вывод об устойчивости УНКК и принимают решение о дальнейшей настройке модели или применении в работе уже полученных результатов.

На рисунке 5.30 представлен фрагмент экранной формы с результатами расчетов аналитических показателей.

3 УНКК Обучение и анализ устойчивости

• £ л Я Щ. Щ: 4 % % а &

Максимальный положительный путь Минимальный отрицательный путь

Перейти к нечеткой матрице

Консонанс влияния

Диссонанс влияния

Влияние концепта на концепт у Консонанс группы концептов ^ Взаимный консонанс группы концептов Проверить Закрыть

Рисунок 5.30 - Экранная форма УНКК: обучение и анализ Задача расчета аналитических показателей УНКК на основе значений нечеткой транзитивно-замкнутой матрицы влияний концепта на концепт строится по следующему алгоритму, для которого приведем словесное описание.

1. Рассчитаем максимальный положительный путь АСМ1}.

2. Рассчитаем минимальный отрицательный путь AСМЦ.

3. От матрицы АС осуществим переход к нечеткой матрице А СМ ,

состоящей из элементов, образованных парой из 1 и 2.

4. Рассчитаем «Консонанс влияния».

5. Рассчитаем «Диссонанс влияния».

6. Рассчитаем «Взаимовлияние концептов».

7. Рассчитаем «Консонанс влияния Сг», используя 4.

8. Рассчитаем «Диссонанс влияния С,», используя 5.

9. Рассчитаем «Совокупное влияние Сг», используя 6.

10. Рассчитаем «Консонанс группы концептов В на концепт С,».

11. Рассчитаем «Взаимный консонанс группы концептов В и концепта С,».

12. Проанализируем результат. Если значения коэффициентов

соответствуют допустимым значениям, то модель можно использовать для работы, иначе необходимо настраивать УНКК и проводить анализ заново с пп. 112.

На рисунке 5.31 представлена структурная схема блока анализа устойчивости УНКК.

Проверка полученных коэффициентов в результате работы блока анализа устойчивости УНКК заставляет инженера по знанием и экспертов принимать решение о продолжении обучения УНКК и ручной настройке с помощью подсистемы построения УНКК.

Также блок анализа устойчивости связан с блоком построения динамической модели, в котором при необходимости можно рассчитывать коэффициенты на каждый момент времени.

Рисунок 5.31. - Структурная схема блока анализа устойчивости УНКК Изменяя значения концептов ПрО, можно определить системные показатели, характеризующие ее развитие и функционирование. Появляется возможность сделать прогноз развития ситуации анализируемой ПрО системы. ЛИР, наблюдая переходы своей построенной модели ПрО из одного состояния в

другое, может оценить устойчивость каждой альтернативы. Выводы по главе 5

1. Разработана и внедрена в деятельность медицинского учреждения

Л ОимОЛЛ Г > •••• ГЛ . О /V Л Л •• IV Л IV Л О Л Л ЛЛ^Л Л ЛХ > fiV Л мЛ <• Ч О f ^ ЛЛ ГУ ЛЛ1 ГАЛ о г о

еюаееаеоо aeuiay aiaeeoe-an еау nenoaia nieoioeia a íaoeaioia ia ínuaa ía -

. О Л АЛ Г Лн^мЛ ОХ1« Л .< > * •••••• УО •• У •• У IV г . К. о •• О Г У Г К V > 'ivOXIl il Л /"i ° О

^-aoeie eeanoaoe?aoee аеу íaaeoeinee о o-oaseaaiee Aeniainao ver. 4.0 (ааеаа -ИАС МП "Диспансер" ver. 4.0), предназначенная для осуществления контроля, проведения мониторинга, ведения учета оперативной информации и автоматизации информационных процессов в учреждениях медицинской сферы. Система позволяет оказывать консультационную помощь врачу в процессе постановки диагноза, используя иерархическую классификацию; определять вариант течения болезни методом нечеткой кластеризации с использованием анализа статистической информации; составлять документы, графики, отчеты и диаграммы на основе постоянно изменяющейся динамической информации; обеспечивает экспертную оценку корректного ведения истории болезни пациента.

Система реализована на основе теории представленных алгоритмов, методики нечеткой кластеризации и параметров (критериев), предназначенных для осуществления оценки качества полученного решения задачи кластеризации, изложенных в главе 2.

Указанная система успешно внедрена и используется в Государственном бюджетном учреждении Рязанской области "Областной клинический кожно-- венерологический диспансер", г. Рязань (акт внедрения от 01 декабря 2011 г.);

2. Разработана система поддержки принятия решений на основе нечеткой логики " Stacionar" ver. 5.4 (СППР HJI" Stacionar" ver. 5.4), применяется

для решения следующих задач: вести электронную историю болезни; осуществлять поддержку принятия решения при выборе курса лечения пациента и дальнейшую его корректировку в зависимости от ситуации; сопровождать медицинскую экспертную систему, построенную по описанным правилам; строить модель оценки СЗП; формировать курс лечения пациента; работать с

данными из различных источников согласно модели получения данных о пациенте.

СППРНЛ '^асюпаг" была спроектирована и реализована на основе изложенной теории в главе 2, а алгоритмы и методы построения модели пациента и модели развития ситуации по его лечению на основе нечетких семантических сетей представлены в главе 3.

"От > «V > О * > ох А \ а«Х Ч ^ •• > Ч •• X О О Г У Г ГУ А« ^А АО Г О.ОЧААГ

№поат иаааоаеее юе1уоеу оаоаюе 1а шиаа т^-аоею ётёёё (АЁЙ II "Уёшабо" успешно внедрена и используется: 1) в

- Государственном бюджетном учреждении Рязанской области

" Областной клинический кожно - венерологический диспансер", г.Рязань (акт

внедрения от 01.12.2011 г.); 2) Государственном бюджетном учреждении

Рязанской области "Захаровская центральная районная больница", с.Захарово (акт

внедрения от 25.05.2012 г.).

3. Разработана автоматизированная информационная система медицинского

Г . * О •• О ГУ •• II т'г А О X 511 •• О X А Л А ХО О Г У Г ГУ АIV ^А А О Г О . О У Л* г

о-^оагеааюу Уетаоо иаааоаеее юе1уоеу оаоаше 1а шиаа т-^аоею

А А * * ' < IV Г ^ ОЧЧ

ётёёё (АЕИII "Уёшабо"). Система позволяет: вести электронную историю болезни; осуществлять консультационную помощь врачу при постановке диагноза; поддержку принятия решения при выборе курса лечения пациента и дальнейшую его корректировку; построение базы знаний методов лечения по формам заболеваний в зависимости от СЗП; разработку эффективного управления материальными ресурсами (распределение медикаментов); возможность формирования различных видов отчетов и уведомлений, эффективный анализ статистической информации.

АИС МУ «Эксперт» была спроектирована и реализована на основе изложенной в главе 2 теории, а алгоритмы и методы построения модели пациента и модели развития ситуации по его лечению на основе нечетких семантических сетей представлены в главе 3.

АИС МУ «Эксперт» успешно внедрена и используется: 1) в Государственном казенном учреждении здравоохранения «Ву9шпёау тёапошу

Л Л Г Г Г У O Г/У А Л

eeeíe^-áñéá yineöeaööe^- áñeáyáíeüíeoá ei. LI. Aaasaiiäa », г.Рязань (акт внедрения от 21.11.2012 г.); 2) Государственном бюджетном учреждении

- К Л IV w Л ^ •• «« О Г ^ X ^ •• •• ' ^ •• \ Я fAf f ^ «# f А*>«< f > «« 1(1 М у

Рязанской области Nianneay oaioöaeuia уоаешау aieuieoa" , г.Спасск (акт

внедрения от 25.05.2013 г.).

4. Разработанная ñeñoáiá иааабэгёё löeiyöey óáoáíeé íá

А» ДЛА О * О iv ГЛоА/v > Г АЛ Л* Л * Ч Л Л ГА -vA Л ГУ •• Л II AT "П А 7THPIÍ

шиаа oaoiieia ее eiaieoeaii ai aiaeefa ALF A VIT применяется для решения следующих задач: анализ продаж, автоматическое составление потребностей в товаре; распределение заказов по поставщикам согласно приоритетам, обработка электронных накладных поставщиков; обеспечение взаимосвязи блоков товарного и бухгалтерского учетов; расчет мотивации по начислению заработной платы; обеспечение контроля забронированных серий; автоматическая наценка товара согласно категориям; анализ платежей поставщикам; анализ дефектуры заказов.

СППР была спроектирована и реализована на основе изложенной в главе 4 теории представленных методов и алгоритмов интеллектуальной ППМР на базе технологий когнитивного анализа.

\ О Ч Л МАМ •• О X АЛ »»х у г •• у у •• ХО О Г У Г ГУ А /V Л А А О > О IV fAnAiv Л Г ААмГ^ Ч > А ГА «vA

Nenoaia паааоаеее íoeiyoey oaoaiee ia ínuaa oaoneiae e eiaieoean ai áíáeéfá "ALFA VIT" внедрена и успешно используется: 1) в областной сети аптек ООО «Алфавит-Здоровье», г.Рязань (акт внедрения от 02.02.2010 г.); 2) городской сети аптек ООО «Аптека № 181», г.Рязань (акт внедрения от 30.08.2011 г.).

Зтч Г* «XAivX пил Г А А>««## О А IV Г Ч мм fAiVA Г fX У А •• О ГУ

Разработан íoiaoaiiiu е ешеаеп еюаееаеоо aeunai oioaaeaiey

Л Л А У >< Г /У У У У *»У /41 ^ ^ Г У Л /V ГА АО Г O.O^AAiVA ЛА*М Л > А Г/У ivA У f У фф У У II 1 1 Л Г~Ж 1

oiaaoiuie 9aianaie ia шиаа ia-aoeiai eiaieoean ai aiaee9a Alf-Zdr.

4 ■ i А УГУ >

Oiaáóíüé 9áiañ" (IE EOOQ'Alf - Zdr.Oiaáóí üé 9aiáñ"), предназначенный для эффективного решения проблем, возникающих при принятии управленческих решений J111P, и обеспечивающий: возможность избежать сложностей при формализации знаний экспертов в человеко-машинных процедурах в задачах инженерии знаний; поддержку принятия решения при управлении материальными запасами на основе УНКК и процедур динамического моделирования; настройку построенной модели товарного запаса с использованием механизма обучения и анализа устойчивости УНКК.

Программная реализация выполнена на основе теории представленных методов и алгоритмов интеллектуальной 111 IMP на базе УНКК, изложенной в главе 4.

Г XAivX г ЯЧ f А Г AA^itii О Л fv Г Л •• •• M«vA Г »»Ж \ »» О Г \ вв Ч ЛА \ \ f А > \

Iöiaoaiiiu е ешеаеп еюаееаеоо aeunai oioaaeaiey oiaaoiuie ?aianaie

Г Л AlV /АЛ О ГО. О Л A AivA * Л А /А /V А Л Г Л •• Л Л 11 All4 Т 1 AAA У >С Г А Г Л мЛ wll

ia miiaa ia-aoeiai eiaieoean ai aiaee9a Alf - Zdr.Oiaaoi ue <?aian успешно внедрен и используется в региональной сети аптек ООО «Ригла», г.Москва (акт внедрения от 18.10.2011 г.).

ЗАКЛЮЧЕНИЕ

В диссертационной работе в рамках решения поставленной научно-технической проблемы разработки интеллектуальной системы поддержки принятия решений в медицинских учреждениях на основе теории нечетких множеств, семантических сетей и когнитивного анализа получены следующие результаты.

1. Проведено исследование особенностей поддержки принятий решений в условиях неопределенности, выявлены достоинства и недостатки известных методов, моделей и алгоритмов поддержки принятия решений в условиях неопределенности при решении медицинских задач. В результате исследования известных методов, алгоритмов и моделей поддержки принятия решений в условиях неопределенности, основанных на использовании инструментария теории нечетких множеств, был сделан вывод, что во многих случаях они не обеспечивают получение соответствующих требованиям решений ввиду малообоснованного выбора параметров моделирования, при этом нахождение адекватных решений из-за необходимости многократного выполнения реализаций используемых методов, алгоритмов и моделей с целью выбора наиболее оптимальных параметров сопровождается большими временными затратами. Сделан вывод о целесообразности применения семантических сетей для построения медицинских предметных областей и когнитивного анализа для выработки управленческого решения, которые позволяют решить проблему выбора наилучших параметров методов, алгоритмов и моделей поддержки принятия решений в условиях неопределенности.

2. Разработан модифицированный метод нечеткой кластеризации на основе нечеткого отношения равнозначности, порождаемый из анализа свойств исследуемых данных и без использования дополнительных сведений о кластерах, которые не зависят от формы кластеров и наличия в них центров, чем отличаются от традиционных методов, для чего введены и определены понятия «мягкое нечеткое отношение» и «нечеткое отношение равнозначности», возникающие из

свойств исследуемых множеств данных предметной области, которые являются основой предложенного метода, позволяющего осуществить полную формализацию решения задачи кластеризации, при этом оценивается качество каждого разбиения и выбирается наилучшее из них.

3. Предложен алгоритм на основе разработанного метода нечеткой кластеризации, который позволяет в исследуемых данных продуктивно выявлять кластеры произвольной формы, возникающие между элементами при решении задачи нечеткой кластеризации отношения определяются с помощью конструкций, предложенных в диссертации, позволяют увеличить объем и качество обрабатываемой статистической информации, что в значительной степени повышает эффективность мониторинга в медицинских учреждениях. При работе алгоритма получается набор решений, выбор наилучшего из решений задачи кластеризации выполняется с использованием нечеткого отношения равнозначности. В алгоритме используется специально разработанный критерий — нечеткая оценочная функция разбиения, при разработке функции было введено понятие мощного кластера — это кластер, который входит в группу наиболее кардинально значимых кластеров.

4. Разработана концепция выработки возможных альтернатив рекомендаций по принятию медицинских решений на базе анализа ситуаций, возникающих при лечении пациента. В основе: гипотеза о подобии (получение ситуаций и рекомендаций, в которых понятийные пространства наиболее близки понятиям, описывающим проблемную ситуацию). В рамках предложенной концепции получены: методика построения предметной области с использованием семантической сети для рекомендательной медицинской базы знаний и моделей ситуаций, возникающих при лечении пациента; определены нечеткие множества для приблизительных рассуждений и обработки неопределенности при создании модели знаний; принципы построения, основанного на теории принятия решений логического вывода для выбора рекомендации согласно заданной ситуации; методика поиска рекомендации в базе знаний; алгоритм расчета веса ключевого понятия в найденной рекомендации; алгоритм оценки рекомендации согласно

ключевым понятиям модели предметной области.

5. Спроектирована сетевая архитектура модели пациента для интеллектуальной системы; модель действий, производимых с пациентом, позволяющая увеличить эффективность и качество получения информации по развитию ситуации для врача-пользователя; модель пользователя, дающая возможность производить расширенный и ординарный способ анализа ситуации на базе оценочной функции и использования критериальных механизмов выбора, дающих возможность с высокой достоверностью находить наиболее релевантные наборы действий согласно сложившейся ситуации по конкретному пациенту, а также осуществлять их ранжирование.

6. Разработан тип нечеткой когнитивной карты - универсальная нечеткая когнитивная карта (УНКК), которая объединила в себе все положительные свойства существующих когнитивных карт. УНКК позволяет использовать больше возможностей при построении моделей сложных систем, описывающих предметные области, и их более детальном анализе. Показано, что УНКК, позволяет применять теорию нечетких множеств как при анализе структуры, так и при построении самой карты. В структуре этой карты нечеткими являются концепты и связи между концептами, которые отражают тип распространения влияния концепта на концепт. В структуре этой карты нечеткими также являются механизмы: накапливание влияния группы концептов на конкретный концепт, динамическое моделирование.

7. Предложены метод и алгоритм обучения УНКК, который позволяет повысить точность их построения и адекватность моделируемых ПрО за счет учета накопленной статистической информации о состояниях системы в определенные моменты времени. Проведен анализ устойчивости УНКК, для чего введены аналитические показатели устойчивости - системные показатели УНКК модели, принципиальное отличие которых от известных в том, что рассчитываются они на основе значений нечеткой транзитивно-замкнутой матрицы влияний концепта на концепт и ориентированы на решение задач поддержки принятия решения управления медицинскими материальными

потоками в динамике.

8. Разработанная модель динамики для УНКК дает возможность моделировать и проводить анализ поведения сложных систем, описывающих различные ПрО, учитывая при этом следующие особенности: нелинейный характер влияния между концептами в корреляции от нечеткого состояния концепта на входе и концепта на выходе; одновременный учет влияния значений изменений концептов и значения их состояний; нелинейный характер влияния изменений концептов; одновременный учет концептов разных знаков друг на друга. Предложен способ построения модели предметной области на основе УНКК. Разработана методика построения моделей на основе математического аппарата нечетких когнитивных карт, позволяющая описывать сложные многокритериальные высокоинтеллектуальные системы поддержки принятия решений.

9. Предложен новый принцип построения интеллектуальных систем поддержки принятия решений в медицинских учреждениях, в условиях неопределенности, на основе теорий нечетких множеств, семантических сетей и когнитивного анализа.

10. Разработан ряд информационных систем и программных комплексов, реализующих предлагаемые методы, алгоритмы и модели поддержки принятия решений в медицинских предметных областях в условиях неопределенности, которые решают ряд актуальных прикладных задач:

- задача консультативной помощи врачу при постановке диагноза, используя иерархическую классификацию и определение варианта течения болезни методом нечеткой кластеризации с учетом анализа статистической информации;

- задача поддержки принятия решения при выборе курса лечения пациента и дальнейшая его корректировка в зависимости от ситуации, построения модели оценки состояния здоровья пациента и формирования курса лечения;

- задача построения базы знаний методов лечения различных форм заболевания в зависимости от состояния здоровья пациента и осуществления

эффективного управления медицинскими материальными ресурсами (распределение медикаментов);

- задача поддержки принятия решения при управлении медицинскими материальными запасами на основе универсальных нечетких когнитивных карт и процедур динамического моделирования, настройки построенной модели медицинского запаса, используя механизм обучения и анализа устойчивости универсальных нечетких когнитивных карт.

В перечисленных задачах неопределенность связана с невозможностью полного сбора и учета информации о влияющих воздействиях на медицинскую ситуацию, с неточностью выполняемых измерений и полученных результатов медицинских анализов, а также отсутствием возможности привлечения компетентных врачей-экспертов, ограниченностью ресурсов во времени, неполнотой или неточностью информации о состоянии здоровья пациента, с неполнотой, неопределенностью и нечеткостью знаний экспертов в различных медицинских ситуациях, то есть с проявлением субъетивного человеческого фактора.

11. Исследования разработанных методов, алгоритмов и моделей и их опытное применение показали:

- повышение адекватности и обоснованности принятия решения в медицинских предметных областях в условиях неточности и неопределенности исходной информации, в том числе при субъективных оценках экспертов;

- повышение качества формализации знаний экспертов в человеко-машинных процедурах в задачах инженерии знаний;

- повышение эффективности использования накопленной статистической информации при решении задач поддержки принятия решений в медицинских задачах;

- снижение финансовых и временных затрат, связанных с необходимостью сбора и учета точных и полных исходных данных о состоянии здоровья пациента или о состоянии медицинского материального потока, сбор которых иногда нецелесообразен, а иногда просто невозможен, при этом обеспечивается принятие

адекватных решений.

Анализ приведенных результатов дает основание полагать, что данная работа связана с решением важной научно-технической и социальной проблемы и представляет собой развитие методов, алгоритмов и моделей поддержки принятия решений в условиях неопределенности и неполноты априорной информации, а также их практические реализации в медицинских интеллектуальных системах поддержки принятия решений на основе комплексного использования теории нечетких множеств, семантических сетей и когнитивного анализа.

СПИСОК СОКРАЩЕНИЙ

АИС автоматизированные информационные системы

АРМ автоматизированное рабочее место

АРМ автоматизированное рабочее место

АСУ автоматизированная система управления

БД база данных

БЗ база знаний

ВТБ вариантов течения болезни

ГДУ группа диспансерного учета

ГЛПМР группа лиц, принимающих медицинское решение

ИАС интеллектуальная аналитическая система

ИИ искусственный интеллект

ип информационный поток

ИСППМР информационная система поддержки принятия медицинских

решений

ИСППР информационные системы поддержки принятия решения

ИСС информационно-справочные системы

ИСС информационно-справочные системы

КК когнитивная карта

КП классификационные признаки

КЭК клинико-экспертная комиссия

ЛКК лечебно-контрольная комиссия

лп лингвистическая переменная

ЛПМР лицо, принимающее медицинское решение

ЛПР лицо, принимающее решение

ЛПУ лечебно-профилактическое учреждение

МБД медицинская база данных

МБЗ медицинская база знаний

МИС медицинская информационная система

МКБ-Х список шифров диагнозов

МЛВ механизм логического вывода

МЛУ множественная лекарственная устойчивость

МОП медицинское обследование пациента

МП материальный поток

МСПГТР медицинские системы поддержки принятия решения

мсэ медико-социальная экспертиза

мэс медицинская экспертная система

НАС нечеткая аналитическая система

нот научно исследовательская работа

нкк нечеткая когнитивная карта

нл нечеткая логика

нп Нечеткая переменная

нпкк нечеткие продукционные когнитивные карты

нпс нечеткая продукционная система

НС нечеткая система

НФП нечеткая функция принадлежности

оптд областной противотуберкулезный диспансер

ПМР принятие медицинских решений

ППМР поддержки принятия медицинских решений

ПрО предметная область

птд противотуберкулезный диспансер

птс противотуберкулезная служба

ПУР принятие управленческих решений

РУР разработка управленческого решения

сзп состояния здоровья пациента

СППМР система поддержки принятия медицинских решений

С1И1Р система поддержки принятия решений

СУБД система управления базами данных

СУБМД система управления базами медицинских данных

тнм теория нечетких множеств

УМП управлении материальными потоками

УМР управленческие медицинские решения

УНКК универсальная нечеткая когнитивная карта

УНР уровень нечеткой равнозначности

УР управленческое решение

ФЛС формальная логическая система

цвкк центральная врачебно-контрольная комиссия

ЭБД эмпирическая база данных

ЭИБ электронная история болезни

эс экспертные системы

СПИСОК ЛИТЕРАТУРЫ

1. Adamo J.M. Data mining for association rules and sequential patterns: sequential and parallel algorithms.-N.Y.; Berlin; Heidelberg: Springer, 2002.

2. Aguilar J.A. Dynamic Fuzzy-Cogniüve-Map Approach Based on Random Neural Networks //International Journal of Computational Cognition. - 2002. -Vol. 1, № 4, - P. 91-107.

3. Atkin R., Casti J. Polyhedral Dynamics and the Geometry of Systems, RR-77-6. International Institute for Applied Systems Analysis. Laxenburg, Austria, March, 1977.

4. Axelrod R. The Structure of Decision: Cognitive Maps of Political Elites. -Princeton. University Press, N.Y., 1976.

5. Benett J., Engelmore R. Experience Using EM YON// Rule-Based Expert Systems, Reading. - Addison-Wesley (Mass.), 1984.

6. Bothe. H.H. Fuzzy Neural Networks. Tutorium, IFSA'97, Prague, 1997,37 pg.

7. Brown and repertory grids for qualitative survey research: M.S. Cognitive mapping some comparative observations. - Journal of Management Studies, vol. 29, 1992, pp. 287-3 07.

8. Carley K., Palmquist M. Extracting, representing, and analyzing mental models. - Social Forces, vol 70, 1992, pp. 601-636.

9. Carlsson Adaptive fuzzy cognitive maps for hyperknowledge C., Fullér R.a representation in strategy formation process. - In Proe. of the International Panel Conference on Soil and Intelligent Computing, Technical University of Budapest, 1996, pp. 43-50.

10- Carvalho J.P., Jose A.B. Tome. Rule based fuzzy cognitive maps. -Fuzzy causal relations. Computational Intelligence Modeling. Control and Automation, Ed. by M. Mohammadian, 1999.

11. Carvalho J.P., Tomé J.A. Automatic implementation and simulation of qualitative cognitive maps. - In Proc. of the International Conference on Computational Science, San Francisco, California, USA, 2001, pp. 217-221.

12. Carvalho J.P., Tomé J.A. Rule-based fuzzy cognitive maps - expressing time in qualitative system dynamics. - In Proc. of the FUZZ-IEEE'2001, Melbourne, Australia,pp.280-283.

13. Carvalho J.P., Tomé J.A. Rule-based fuzzy cognitive maps and fuzzy cognitive maps - a comparative study. - In Proc. of the 18th International Conference of the North American Fuzzy Information Processing Society, NAFIPS'99, New York, 1999, pp. 115 - 119.

14. Chaib-draa B., Decharnais J. A relational model of cognitive maps. - Int. J. Human-Computer Studies, vol. 49,1998, pp. 181-2 00.

15. Chakrabarti S., Dom B., Gibson D., Kleinberg J., Kumar S.R., Raghavan P., Rajagopalan S.5 Tomkins A. Hypersearching the Web. // Scientific American, 2000. June.

16- Chen S., Billings S. Neural Networks for Nonlinear Dynamic System Modeling and Identification. - Int. J. Control, vol. 56,1992, pp.319-329.

17. Cohen G.D. Intelligent information retrieval system// Vigil, №2,2000.

18- Daniel E. O'Leary Knowledge-Management Systems: Converting and Connecting// IEEE Intelligent systems. - 1998. №3. - pp. 30 - 33.

19- Daniel E. O'Leary Using A1 in Knowledge Management: Knowledge Bases and Ontologies// IEEE Intelligent systems. - 1998. №3. - pp. 34 - 39.

20. David J. Skyrme Valuing Knowledge: Is It Worth It?// Managing Informa lion, №2,1998, pp. 24-26.

21. Denning S. What is knowledge management? A background document to the World Development Report, The World Bank: 1998. 19 p.

22. Dickerson J.A., Kosko B. Virtual Worlds as Fuzzy Dynamic Systems // Technology for Multimedia. -New York, IEEE Press: 1998. - P. 567-603.

23. Dickerson J.A., Kosko B. Virtual worlds as fuzzy cognitive maps. - Presence vol. 3, 1994, pp. 173-189.

24. Didier Dubois & Henri Prade Fuzzy Set Modelling in Case-Based reasoning// International journal of intelligent systems. - 1998. vol. 13, pp. 345 - 373.

25. Dieter F. Ontology-Based Knowledge Management// IEEE Computer Society. -

2002. №11.

26. Dubois D., Pracle H. The three semantics of fuzzy sets/ Fuzzy sets and systems, №90, 1997, pp. 141-149.

27. Fuller R Hybrid systems. Tutotium. http://www.abo.fi/~rfuller/

28. Han J,, Chen-Chuan Chang K. Data Minning for Web Intelligence// IEEE Computer Society. - 2002. №8.

29.

J IclStlC* T., Tibshirani R., Friedman J, The Elements of Statistical Learning: Data Mining, Inference, and Prediction. — 2nd ed. — Springer-Verlag, 2009.-746 p.

30. Highland F. Embedded AV! IEEE Expert. -1994. №3. - pp. 18 - 20.

31. Hauser, M. D., & Spelke, E. S. (2004). Evolutionary and developmental foundations of human knowledge: a case study of mathematics. In M. Gazzaniga (Ed.), The Cognitive Neurosciences III. Cambridge, MA: MIT Press.

32. Huerga A. A balanced differential learning algorithm in fuzzy cognitive maps. - In Proc. of the Sixteenth International Workshop on Qualitative Reasoning, QR'2002, Spain,2002,pp.210-214.

33. Issues in cognitive modeling / Ed. A.M. Aithenhead, J.M. Slack. Lea: Hove , 1994.

34. Jain A., Murty M., Flynn P. Data Clustering: A Review. // ACM Computing Surveys. 1999. Vol. 31, no. 3.

35. James R. Natural language method and system for searching for and ranking relevant documents from a computer database// Univ. № 5,2000.

36. Kailing, K. Density-Connected Subspace Clustering for High-Dimensional Data / K. Kailing, H.-P. Kriegel, P. Kroger // In Proceedings of the 4th SIAM International Conference on Data Mining (SDM), 2004. -C.246-257.

37. Karypis, G. CHAMELEON: A Hierarchical Clustering Algorithm Using Dynamic Modeling / G. Karypis, E.-II. Ilan, V. Kumar // Journal Computer Volume 32 Issue 8. IEEE Computer Society Press Los Alamitos, CA, 1999. -C.68-75

38. Kelly G.A. The Psychology of Personal Constructs. N.Y.: Norton, 1955. p.

39. Khoroshevsky V.F., Maikcvich N.V. Intelligent Processing Of Web-Resources: Ontology-Based Approach and Mulliagent Support, Accepted to CEEMAS'99, St.-Peterburg, June 1999

40. Klein J.H., Cooper D.F, Cognitive maps of decision-makers in a complex game. - Journal of the Operational Research Society, vol. 33,1982. pp. 63-71.

41. Kononenko W. Machine learning for medical diagnosis: history, state of the art and per-spcclive. // Artificial Intelligence in Medicine. Ljubjana, 2001. P. 89109.

42. Kosko B. Differential hebbian learning. - Л1Р Conference Proceedings, vol. 151,1986, pp. 265-270.

43. Kosko B. Fuzzy Cognitive Maps // International Journal of Man-Machine Studies, vol. 24,1986, pp. 65-75.

44. Kosko B. Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence. Prentice-Hall, Englewood Cliffs, New J ctscy? 10 .

45. Kosko B. Fuzzy cognitive maps. - Int. Journal of Man-Machine Studies, vol. 24, 1986, pp. 65-75.

46. Kosko В., Mitaim S, Neural tuzzy agents for profile learning and adaptive object matching. - Presence, vol. 7, no. 6,1998, pp. 617-637.

47. Kroshilin A.V., Kroshilina S.V., Pylkin A.N. Structural diagram of the automated information system of new generation of medical institution (Структурная схема автоматизированной информационной системы нового поколения медицинского учреждения) European Science and Technology [Text] : materials of the IV international research and practice conference, Vol. I, Munich, April 10th - 11th, 2013 / publishing office Vela Verlag Waldkraiburg - Munich - Germany, 2013 - 776 p. (241-244)

48. LXXX. Сборник научных трудов, посвященный 80-летшо инеттута 19181998 / Под ред. академика М.И. Перельман, НИИ фтгоиопульмопологии ММА им. И.М. Сеченова. - М.: 1998. - 108 с.

49. Mamdani E.H. Application of fuzzy logic to approximate reasoning using linguistic systems. - Fuzzy Sets and Systems, vol. 26,1977, pp. 1182-1191.

50. Mamdani EIL Applications of fuzzy set theory to control system: A survey fuzzy automata and decision processes / M.M. Gupta, G.H. Saridis and B.R. Gaines, eds. - New York: North - Holland, 1977. - P. 1 - 13.

51. Marianne Broadbent Phenomenon of Knowledge Management: What Does It Mean To The Information Profession?// Information Outlook, vol.5, №5, 1998, pp. 23-36.

52. Markovskii A.V. On the relation between equations with max-produet composition and covering problem // Fuzzy Sets and Systems.2005, V.153, p. 261-273.

53. Missikoff M., Velardi P. Integrated Approach to Web Ontology Learning and Engineering// IEEE Computer Society. - 2002. №9.

54. Montazemi A. R., Gönrath D. W. The use of cognitive mapping for information requirements analysis. - MIS Quarterly, vol. 10,1986, pp. 45-5 5.