Одним из тяжёлых многофакторных заболеваний, возникающих у новорождённых с экстремально низкой массой тела является ретинопатия недоношенных. Ретинопатия недоношенных - сосудисто-пролиферативное заболевание сетчатки, в зависимости от степени ее поражения возможна полная потеря зрения ребенка. Проблемы прогнозирования РН с применением современных информационных технологий является актуальной, так как решение этих задач может привести к повышению медицинского и социально-экономического эффекта. Например, для исследования патологии зрительного анализатора эффективна ретинальная педиатрическая камера «Ret Cam II». При этом обращают внимание сложности проведения исследования у детей младенческого возраста, а также высокая стоимость самого комплекса. Авторами предложен альтернативный способ раннего выявления и прогнозирования степени тяжести зрительных нарушений, основываясь только на комплексе клинических данных, лабораторно-инструментальных признаков и анамнестических показателей пациента (приоритетная справка № 2008112453).
Данная работа посвящена разработке способа прогнозирования риска развития ретинопатии недоношенных на основе дискриминантного и кластерного анализов комплекса клинических, лабораторно-инструментальных признаков и анамнестических данных пациента.
Исследования в выбранном направлении были затруднены тем, что данные, характеризующие состояние исследуемых объектов, расположены в нескольких несогласованных источниках, при этом, частично эти данные дублировались. Часть данных отсутствовала в предполагаемом месте их хранения, поэтому необходимо было обнаружить их в дублирующем хранилище. Отмечено, что признаки, характеризующие состояние пациента на доклиническом этапе развития патологии не обладают достаточной информативностью по отдельности. Использование их в совокупности, напротив, позволяет построить механизм поддержки прогнозирования на основе применения специальной последовательности методов многомерного анализа.
Для разработки решающего механизма поддержки прогнозирования, предложен алгоритм построения адаптированного средства (которое может включать как методические рекомендации, альбом алгоритмов, так и программное средство) определения уровня риска развития ретинопатии и степени её тяжести у недоношенных детей.
Для получения необходимой информации о клинико-анамнестических, лабораторных и инструментальных данных из различных источников, а также для обеспечения их целостности, полноты и непротиворечивости разработан алгоритм объединения данных из разровненных источников. Отличительной чертой механизма является то, что объединённый массив данных возвращается в один из источников первичной информации - базу данных областного Центра ретинопатии недоношенных, где массив информации поступает на вход подсистемы аналитической поддержки, являющейся надстройкой к существовавшей ранее автоматизированной системе учёта пациентов группы риска.
Таким образом, формирование целостного массива информации позволяет применять методы многомерного анализа в различных их комбинациях и модификациях.
В ходе исследований выявлено, что информативность некоторых подмножеств входных характеристик объекта, интерпретируемых с предметной точки зрения может быть усилена в достаточной степени с применением алгоритма, использующего кластерный анализ в качестве метода многомерной статистики. Также необходимо отметить, что весь массив переменных может быть усилен несколько раз, вместе с тем, средством усиления в обоих случаях служат, так называемые абстрактные переменные, формируемые на основе алгоритма с применением дискриминантного анализа в качестве средства построения правила определения их значений.
Для увеличения степени межгруппового различия и повышения концентрации объектов внутри группы разработан алгоритм усиления межгрупповых различий и повышения концентрации объектов внутри группы. Реализация алгоритма усиления даёт возможность повысить чувствительность и специфичность механизма поддержки прогнозирования степени риска развития ретинопатии недоношенных.
Приведённые выше решения проблемы разрозненности, слабоинформативности входных данных, а также низкого качества работы решающих правил поддержки прогнозирования, построенных по типовым схемам реализованы в виде программного продукта «Система поддержки прогнозирования степени риска развития ретинопатии недоношенных «GimRN» (свидетельство об официальной регистрации программы для ЭВМ № 2008610460).
Архитектура программного средства представляет собой подсистемы регистрации пациентов и учёта динамики их состояния в течение диспансерного периода наблюдения, а также аналитической подсистемы поддержки выбора врачом одного из вариантов развития патологического процесса в организме пациента из группы риска. У врача имеется возможность использовать как полностью автоматический механизм поддержки выбора, так и настраивать и подключать отдельные блоки, реализующие различные подходы к определению варианта прогноза. В распоряжении врача находится средство визуализации состояния пациента в абстрактном пространстве классифицирующих функций, где отображаются типичные варианты патологии и пограничные области «спорных» ситуаций, при попадании в которые пользователю предлагается подключить соответствующий блок (если выбран не автоматический режим). Программа предоставляет возможность формировать текстовый документ, отображающий все характеристики пациента, манипуляции над ним, прогнозируемое состояние, отметку о соответствии текущего состояния прогнозируемому ранее.
Построенная модель прогнозирования ретинопатии недоношенных с использованием последовательности методов многомерного анализа данных и информационной системы апробирована на базе областного центра ретинопатии недоношенных научно-практического центра «Бонум» (г. Екатеринбург). Результаты показали превосходство предлагаемого решения над имеющимися аналогичными средствами поддержки.
Аппарат многомерного анализа клинических, анамнестических и лабораторно-инструментальных данных не позволяет обеспечить информационно-программную поддержку надлежащего качества без предварительной адаптации.
Применение специализированной последовательности методов многомерного анализа позволяет повысить значения операционных характеристик механизма поддержки прогнозирования до требуемого уровня.