Авторы: Литвин А.А.,  Литвин В.А.

В настоящее время исследователи особое внимание уделяют использованию в сложных аналитических случаях систем поддержки принятия решений (СППР) или Decision Support System (DSS). СППР — это компьютерная система, которая путем сбора и анализа большого количества информации может влиять на процессы принятия решений в различных областях человеческой деятельности [1, 2].

Известно, что при принятии каких-либо медицинских решений проблемами могут являться недостаточность знаний, ограниченность временных ресурсов, отсутствие возможности привлечения большого числа компетентных экспертов, неполнота информации о состоянии пациента [3]. Принятие верных решений в медицине обычно затруднено в связи с множественностью факторов и признаков большинства заболеваний, их взаимодействий. На общее состояние пациента могут оказывать влияние определенные факторы не только по отдельности, но и в определенных сочетаниях значений. Принятие решений в медицине непосредственно связано со здоровьем и жизнью человека, поэтому полученные в медицинской СППР решения должны быть максимально достоверными. Обработать большое количество информации и выявить определенные закономерности врачу-клиницисту зачастую не под силу. Справиться с этим может помочь современная вычислительная техника с соответствующим программным обеспечением [3, 4, 5, 6].

В хирургии при принятии медицинских решений еще более характерны дефицит времени на принятие решения, неполнота данных о клинических проявлениях и анамнезе заболевания, высокая динамика течения заболеваний, изменчивость заболеваний и появление новых, высокая цена врачебной ошибки. Перед принятием решения врач-хирург на основе анализа большого количества факторов, опираясь на свои знания и предшествующий опыт должен зачастую мгновенно принять решение об оптимальной тактике хирургического лечения, во время хирургического вмешательства — о способе оперативного пособия и завершения операции [7]. Поэтому с развитием и совершенствованием информационных технологий актуальной является проблема обеспечения компьютерной поддержки принятия решений в хирургии.

Цель данной статьи — предоставить современные возможности использования СППР в хирургии.

В целом, процесс принятия медицинских решений можно представить в виде цикла, состоящего из последовательных, следующих друг за другом процедур. Первые три процедуры реализуют сбор, обработку и анализ медицинской информации. Четвертая процедура — это поддержка принятия решения, включающая концептуальное или математическое моделирование, выработку альтернатив и выбор тех, которые в наибольшей степени удовлетворяют поставленным целям, что означает выбор наиболее оптимального варианта лечения больного. Пятая и шестая процедуры включают выбор совокупности наиболее эффективных медицинских мероприятий и их реализацию. После чего цикл замыкается и начинается вновь сбор информации и т. д. [3]. Для процесса принятия решений в хирургии характерны такие же этапы.

Теоретические исследования в области разработки первых СППР проводились в технологическом институте Карнеги в конце 50-х начале 60-х годов XX века. Объединить теорию с практикой удалось специалистам из Массачусетского технологического института в 60-х годах прошлого века. Использование систем поддержки принятия решений в клинической медицине началось в 70-х годах XX века [8]. Первая клиническая реализация методов биомедицинской информатики в виде компьютерной системы поддержки принятия решений была отмечена в 1971 году, когда ученые из Лидского университета (Великобритания) автоматизировали диагностику острой боли в животе [9]. В 1974 году была создана компьютерная система под названием INTERNIST-I для помощи в установлении диагноза в сложных клинических случаях. Это были первые попытки клинического использования биомедицинских информационных систем. С того времени произошла существенная эволюция в развитии компьютерных диагностических систем поддержки принятия решений во всех областях медицины и хирургии, в первую очередь с привлечением возможностей искусственного интеллекта [8, 10]. Системы искусственного интеллекта отличаются от обычных компьютерных программ тем, что они оперируют не данными, а знаниями. Второе отличие состоит в том, что для обычных программ всегда программируется тот или иной результат, который должна выдать программа при определенных данных, а система искусственного интеллекта способна сама вырабатывать решения на основе проведенного обучения определенным знаниям [10].

В диагностике хирургических заболеваний, в первую очередь, использовались современные возможности компьютерной обработки и анализа цифровых (рентгенография, компьютерная томография, магнитно-резонансная томография) изображений. В исследовании, проведенном В. Van Ginneken et al. [11], приведено более 150 публикаций по автоматизированному диагнозу при рентгенографии грудной клетки. W. Chen et al. [12] разработали и внедрили в клиническую практику компьютерную диагностическую систему, которая автоматически анализирует КТ головного мозга пациентов с черепно-мозговой травмой. Эта система дополнительно автоматически оценивает уровень внутричерепного давления в головном мозге. В другом исследовании, Р. Davaluri et al. [13] разработали и применили компьютерную систему принятия решений у пострадавших с повреждениями таза. В литературном обзоре основных радиологических систем поддержки принятия решений, использующихся в медицине в течение последних 40 лет S.M. Stivaros et al. [14] отметили необходимость более широкого использования СППР в клинической работе и важность приближения следующего поколения СППР к рутинному практическому применению.

Одним из наиболее активных направлений исследований в области биомедицинской информатики и систем поддержки принятия решений является интенсивная терапия и экстренная хирургическая помощь. Для пациентов, нуждающихся в неотложной медицинской помощи, очень важно, чтобы диагностика и лечение проводились своевременно. Автоматизированные системы поддержки принятия решений играют жизненно важную роль в сокращении времени диагностики, повышения эффективности распределения ресурсов, и снижение смертности пациентов. S.Y. Ji et al. [15] провели сравнительный анализ эффективности компьютерных систем принятия решений у пациентов с тяжелой сочетанной травмой. Клиническое использование ССПР, созданной М. Frize et al. [16], позволило значительно улучшить выживаемость пациентов в отделениях интенсивной терапии. А.Х. Garg et al. [17] выполнили систематический обзор литературы по современным медицинским СППР, используемых в интенсивной терапии для принятия решения о начале (38 исследований), продолжении (23) или прекращении (3) того или иного лечебного пособия. По данным авторов, использование системы для принятия решения о начале терапии продемонстрировало статистически значимое улучшение в результатах лечения в пользу СППР. СППР также оказались эффективными для мониторинга терапии с помощью используемых лабораторных тестов. Однако ни в одном из исследований, касающихся прекращения терапии с помощью СППР, не было выявлено статистически значимых различий в эффективности обычного и интеллектуального подходов.

СППР нашли широкое применение в сердечно-сосудистой хирургии. К. Polat et al. [18] создана компьютерная система диагностики, которая автоматически определяет и классифицирует аритмии путем анализа электрокардиографических сигналов. Авторы отмечают 100% точность выявления и классификации аритмий в исследуемой выборке пациентов. S. Shandilya et al. [19] предоставили свои работы по проектированию и разработке СППР для анализа эффективности автоматической дефибрилляции при возникновении фибрилляции желудочков.

В систематическом обзоре, выполненном P.J. Lisboa и A.F. Taktak [20], предоставлены современные данные об эффективности СППР в диагностике и лечении рака. В частности, в обзоре идет речь о тех исследованиях, в которых из методов интеллектуального анализа данных применялись искусственные нейронные сети. При анализе результатов 27 рандомизированных контролируемых испытаний выявлено, что в 21 исследовании отмечены преимущества использования СППР на основе искусственных нейронных сетей (ИНС) в диагностике и лечении онкологических пациентов, в остальных шести исследованиях такие преимущества не выявлены.

СППР получили определенное распространение в экстренной абдоминальной хирургии. Так, А.А. Егоровым и В.С. Микшиной [7] была разработана СППР для определения возможных исходов и способов завершения операции по поводу перитонита. Известно, что хирургическое вмешательство по поводу перитонита может быть завершено тремя способами: 1) ушивание лапаротомной раны «наглухо»; 2) лапаростомия; 3) программируемая релапаратомия. Принятие решения о способе завершения операции у пациентов с перитонитом обычно затруднено из-за сложности прогнозирования дальнейшего течения этого заболевания. Хирургическое лечение пациента с перитонитом может закончиться тремя исходами: 1) летальным исходом (неблагоприятный исход); 2) повторным хирургическим вмешательством (благоприятный исход); 3) выздоровлением (благоприятный исход). Этими авторами показано, что для решения задачи о выборе способа завершения операции по поводу перитонита может быть применена СППР на основе искусственных нейронных сетей. Проценты верных отнесений в модели на основе ИНС составили 74% [7].

В 2007 г. R. Mofidi et al. [21] разработали СППР для классификации тяжести острого панкреатита (ОП), прогнозирования летального исхода, которая базировалась на 10 клинических параметрах (возраст, наличие гипотензии, двух и более признаков SIRS, уровне Ра02, ЛДГ, глюкозы, мочевины, кальция, гематокрита и числа лейкоцитов крови), определенных при госпитализации и через 48 часов после поступления в стационар. Эта модель показала существенно лучшие результаты, чем системы APACHE II и Glasgow. В данной работе проведен анализ чувствительности для отбора входных параметров сети с большей прогностической информативностью. В исследование включено достаточно большое количество пациентов с ОП (п=664): обучение и валидизация ИНС были выполнены на различных группах пациентов. Не менее важным преимуществом является то, что все десять входных переменных являются доступными для дежурного врача в пределах первых 6 часов после госпитализации.

В. Andersson et al. [22] провели исследование, целью которого явилось разработка и проверка эффективности СППР на основе ИНС для раннего прогнозирования тяжести острого панкреатита. Авторы провели ретроспективный анализ результатов лечения 208 пациентов с ОП (с 2002 по 2005 г., п=139, с 2007 по 2009 г., п=69). Тяжесть ОП определялась в соответствии с критериями, предложенными на конференции по острому панкреатиту в Атланте. Из 23 потенциальных показателей тяжести ОП авторы с помощью ИНС отобрали шесть наиболее информативных критериев: продолжительность болевого приступа, уровень креатинина крови, гемоглобин, АЛТ, частота сердечных сокращений и лейкоциты крови. Архитектура ИНС следующая: шесть входных нейронов, один скрытый промежуточный слой, один выходной нейрон (показатель — тяжелый острый панкреатит). Площадь под ROC-кривой операционных характеристик у нейросетевой модели составила 0,92, у логистической регрессии — 0,84 (р=0,030) и 0,63 — при оценке тяжести острого панкреатита с помощью APACHE II (р<0,001). Количество правильно классифицированных пациентов с тяжелым острым панкреатитом была значительно выше при использовании ИНС, чем логистической регрессии (р=0,002) и APACHE II (р<0,001). Авторы заключили, что СППР на основе ИНС из шести признаков, полученных на момент поступления пациента в стационар, является достаточно точной для прогнозирования тяжести ОП [22].

П.И. Миронов и соавт. [23] также оценили возможности искусственных нейронных сетей в определении тяжести состояния и прогнозировании исходов острого панкреатита. В исследование были включены 100 пациентов с тяжелым острым панкреатитом, находившихся под наблюдением авторов с 2004 по 2010 гг. Для построения искусственной нейронной сети были выбраны тридцать три параметра по 5 категориям (демографические данные, физиологические переменные, лабораторные тесты, временные переменные, исходы заболевания). Впоследствии количество входных данных было уменьшено путем пошагового логистического регрессионного анализа до 6. Использовались стандартные трехслойные персептроны с соединением каждого из скрытых и выходных нейронов со всеми элементами предыдущего слоя. Нейронные сети были обучены и протестированы на всех случаях из базы данных с использованием алгоритма обратного распространения ошибки. Параметры нейронных сетей, такие как скорость обучения, число обучающих повторений, константы момента и число скрытых откликов были выбраны авторами эмпирически. Обучение нейронных сетей прекращалось, когда индекс площади под кривой операционных характеристик был максимальным для всех случаев. Авторами заключено, что предективная способность ИНС в ранней идентификации группы пациентов, угрожаемых по развитию тяжелого острого панкреатита, существенно превосходит возможности оценочных систем (Ranson, Glasgow, ТФС, APACHE II, критериев Balthazar). Дискриминационная способность искусственных нейронных сетей в оценке риска развития летального исхода у пациентов с панкреонекрозом достоверно выше, чем у шкал Ranson, Glasgow, ТФС, APACHE II, SOFA и критериев Balthazar. При прогнозировании длительности течения синдромов органной дисфункции у пациентов с тяжелым острым панкреатитом информационная ценность ИНС и шкалы SOFA сопоставима [23].

Н.А. Кореневский с соавт. [24] разработали и использовали СППР для управления процессами принятия решений при ведении пациентов с острым холециститом. По данным авторов, применение предложенной СППР позволяет снизить риск развития и обострения заболеваний желчного пузыря, а также вырабатывать рациональные схемы проведения лечебных мероприятий, повышая эффективность лечения острого холецистита. Статистическая проверка точности правил принятия решений о степени тяжести острого холецистита превысила уровень 0,95.

Итак, в настоящее время в медицине в целом и в хирургии, в частности, накоплен достаточно большой опыт эффективного использования СППР. Это позволило выделить следующие типы систем поддержки принятия решений в соответствии с направлениями их применения: в клинической практике — ассистирующие; в обучении и повышении квалификации — тестирующие и оппонирующие; в научных исследованиях — для решения задач анализа и оценки ситуации [25]. Особенно хорошо СППР себя зарекомендовали в экспериментальной и клинической хирургии для выполнения следующих функций: дифференциальная диагностика и выбор лечения; оценка эффективности решений вне зависимости от выраженности клинических проявлений болезни; учет фоновых состояний (сопутствующих заболеваний); анализ динамики патологического процесса; оценка состояния больного в режиме реального времени. В целом, компьютерные медицинские системы позволяют врачу-хирургу не только проверить собственные прогнозные и диагностические предположения, но и использовать искусственный интеллект в сложных клинических случаях.

Литература

1. Greenes R. A. Clinical decision support: the road ahead / R. A. Greenes. — Boston : Elsevier Academic Press, 2007. — 581 p.
2. Андрейчиков А. В. Интеллектуальные информационные системы / А. В. Андрейчиков, О.Н. Андрейчикова. — М. : Финансы и статистика, 2006. — 364 с.
3. Симанков В. С. Системный анализ и современные информационные технологии в медицинских системах поддержки принятия решений / В. С. Симанков, А.А. Халафян. — М. : БиномПресс, 2009. — 362 с.
4. Глотко В. Л. Автоматизированные информационно-интеллектуальные средства поддержки профессиональной деятельности врачей специалистов военно-медицинских учреждений / В. Л. Глотко // Вести, новых мед. технологий. — 2005. — №3-4. — С.103—104.
5. Кобринский Б. А. Медицинская информатика: учебник / Б. А. Кобринский, Т.В.Зарубина. — М. : Академия, 2009. — 192 с.
6. Халафян А. А. Современные статистические методы медицинских исследований / А.А.Халафян. М. : URSS : ЛКИ, 2008. - 316 с.
7. Егоров А. А. Модель принятия решения хирурга / А. А. Егоров, В. С. Микшина // Вести, новых мед. технологий. — 2011. — Т. 7, №4. — С. 178—81.
8. Miller R. A. Medical diagnostic decision support systems — past, present, and future: a threaded bibliography and brief commentary / R. A. Miller // J Am Med Inform Assoc. — 1994 Jan-Feb. — Vol. 1, N 1. — P. 8—27.
9. Computer-aided diagnosis of acute abdominal pain / F. T. de Dombal [et al.] // BMJ. — 1972 Apr 1. — Vol. 2, N 5804. - P. 9-13.
10. Belle A. Biomedical informatics for computer-aided decision support systems: a survey / A.Belle, M. A.Коп, K. Najarian // Scientific World Journal. — 2013. P. 769639.
11. Van Ginneken B. Computer-aided diagnosis in chest radiography: a survey / B. Van Ginneken, B.M. Ter Haar Romeny, M.A. Viergever // IEEE Trans on Med Imaging. - 2001 Dec. - Vol. 20, N 12. - P. 1228-41.
12. Intracranial pressure level prediction in traumatic brain injury by extracting features from multiple sources and using machine learning methods / W. Chen [et al.] // Proceedings of the IEEE International Conference on Bioinformatics and Biomedicine (BIBM TO), December 2010. — P. 510—15.
13. An automated method for hemorrhage detection in traumatic pelvic injuries / P. Davuluri [et al.] // Conf Proc IEEE Eng Med Biol Soc (EMBC 'll). — 2011. P. 5108-11.
14. Decision support systems for clinical radiological practice — towards the next generation / S. M. Stivaros [et al.] //Br J Radiol. - 2010 Nov. - Vol. 83, N 995. - P. 904-14.
15. A comparative analysis of multilevel computer-assisted decision making systems for traumatic injuries / S.Y. Ji [et al.] // BMC Med Inform Decis Mak. – 2009 Jan 14. - Vol. 9, N 2. - P. 1-17.
16. Frize M. Clinical decision-support systems for intensive care units using case-based reasoning / M. Frize, R. Walker // Med Eng Phys. - 2000 Nov. - Vol. 22, N 9. - P. 671-77.
17. Effects of computerized clinical decision support systems on practitioner performance and patient outcomes: a systematic review / A X. Garg [et al.] // JAMA. — 2005 Mar. - Vol. 293, N 10. - P. 1223-38.
18. Polat K. Computer aided diagnosis of ECG data on the least square support vector machine / К Polat, B. Akdemir, S. Gbne // Digit Signal Process. — 2008. — Vol. 18, N 1. - P. 25-32.
19. Non-linear dynamical signal characterization for prediction of defibrillation success through machine learning / S. Shandilya [et al.] // BMC Med Inform Decis Mak. - 2012 Oct 15. - Vol. 12. - P. 116.
20. Lisboa P. J. The use of artificial neural networks in decision support in cancer: a systematic review / P. J. Lisboa, A. F. Taktak // Neural Networks. — 2006 May. Vol. 19, N 4. - P. 408-15.
21. Identification of severe acute pancreatitis using an artificial neural network / R. Mofidi [et al.] // Surgery. 2007 Jan. - Vol. 141, N 1 - P. 59~66.
22. Prediction of severe acute pancreatitis at admission to hospital using artificial neural networks / B. Andersson [et aL] // Pancreatolqgy. - 2011. - Vol. 11, N 3. - P. 328-35.
23. Прогнозирование течения и исходов тяжелого острого панкреатита / П. И. Миронов [и др.] // Фундам. исследования. — 2011. —№ 10. — С. 319—23.
24. Прогнозирование, ранняя диагностика и оценка степени тяжести острого холецистита на основе нечеткой логики принятия решений / Н. А. Кореневский [и др.] // Вести. Воронеж, гос. техн. ун-та. 2009. - Т. 5, № 11. - С. 150-55.
25. Кобринский Б. А. Системы поддержки принятия решений в здравоохранении и обучении / Б. А. Кобринский // Врач и информ. технологии. — 2010. № 2. — С. 39-45.

Источник: «Новости хирургии»