ПРИМЕНЕНИЕ НЕЧЕТКОЙ ЛОГИКИ ПРИНЯТИЯ РЕШЕНИЙ В ДИАГНОСТИКЕ ПОЧЕЧНЫХ ПАТОЛОГИЙ

АННОТАЦИЯ

В последнее время возрос интерес к разработке различных систем с использованием такого метода как нечеткая логика [1]. Нечеткая логика в определенном смысле подобна системе человеческого мышления, следовательно, может справится с неточностями и неопределенностями, обнаруженными специалистами в разных видах деятельности. Отсюда и появилась потребность создания различных систем на основе нечеткой логики.

Внедрение теории нечетких множеств и нечеткой логики могут быть полезны в ходе работы с пациентами и постановки медицинского диагноза. В медицине часто можно столкнуться с заболеваниями, которые имеют схожие симптомы. Таким образом, появляется неопределенность в постановке правильного диагноза. Из этого следует, что диагностика заболеваний при неточности признаков и симптомов является причиной для разработки нечеткой логической медицинской системы, чтобы исключить вероятность ошибки. Нечеткие логические выводы можно представить, как способ обработки информации, опираясь на профессиональный опыт врачей. Примером использования нечеткой логики является пакет прикладных программ Fuzzy Logic Toolbox в MATLAB.

Главным преимуществом методов нечеткой логики является способность описание различных процессов в виде словесных логических правил типа «Если-то», которые позволяют точно определить связь между входными и выходными данными, избегая сложных математических вычислений.

В данной статье предлагается разработать систему определения медицинского диагноза с помощью Fuzzy Logic Toolbox в MATLAB.

Ключевые слова: набор инструментов нечеткой логики, почечные патологии, медицинский диагноз.

Введение

Если рассматривать различные компьютерные системы для поддержки принятия медицинских решений [1], то стоит учитывать удобство интерпретации в клиническом контексте. Экспертные знания врача-специалиста наглядно можно указать в виде множества явных, понятных “ЕСЛИ - ТО“ правил: температура, возраст, артериальное давление, анализ крови и мочи, пол. Они позволяют врачам получить доступ к клиническому решению, адаптированному к конкретному пациенту и к набору правил, на основе которых это решение было получено. Проблема внедрения нечеткой логики для медицинской диагностики является актуальной на сегодняшний день [2].

Предлагаемая методика

Почки являются одним из важнейших органов в организме человека. Они обеспечивают нормализацию давления, вывод токсинов, контроль элементов крови. Имея огромное количество функций, почки испытывают нагрузки, которые отрицательно влияют на их работу [3].

Количество сопрягаемых заболеваний усложняют диагностику. Таким образом, одним из способов решения этой проблемы является создание интеллектуальных систем поддержки принятия решения.

Постановка правильного и своевременного диагноза увеличит скорость принятия решения врачом, что поможет быстро поставить верный диагноз и своевременно назначить лечение.

Цель данной работы: разработать систему нечеткой логики для установления почечной патологии с использованием Fuzzy Logic Toolbox в MATLAB.

Принцип используемой системы состоит из двух основных компонентов (Рисунок 1): входные данные (симптомы) и выходные данные (болезни).

Рисунок 1. Система медицинской диагностики

Для разработки системы нечеткой диагностики используется панель инструментов нечеткой системы вывода (FIS). Он и отображает информацию о системе нечеткого вывода (Рисунок 2). Слева указываются название каждой входной переменной, а справа название каждой выходной.

Рисунок 2. Система нечеткого вывода

Рассматривая основные патологии почек (пиелонефрит и МКБ), были выявлены основные признаки, благодаря которым можно поставить диагноз. Это уровень мочевой кислоты, уровень мочевины, количество белка в моче, количество эритроцитов в моче, а также такие признаки как пол, температура, возраст.

Основные показатели функции почек были определены в соответствии с нормами общего анализа мочи.

Рисунок 3. Пример установления диапазонов входных данных

После установления нужных диапазонов входных и выходных данных (Рисунок 3), были указаны правила, с помощью которых в дальнейшем будет проходить анализ системы. «ЕСЛИ – ТО» правила были сформулированы, учитывая все возможные вариации постановки диагноза.

Пример правила:

If(уровень_мочевой_кислоты is повышен) and (уровень_мочевины is повышен) and (количество_белка is повышен) and (кол-во_эритроцитов_в_моче is повышен) and (возраст is пожилой) and (температура is повышенная) and (пол is М) then (пиелонефрит is патология).

Всего было установлено 312 правил. Эти правила и позволяют выполнить операцию нечеткого вывода, так как отдельно взятая группа правил контролирует определение вероятности определенного заболевания.

Так, например, заболеванию «Пиелонефрит» были присвоены следующие входные переменные: «уровень мочевой кислоты», «уровень мочевины», «количества белка», «количество эритроцитов в моче», «возраст», «температура», «пол». А также для каждой переменной были прописаны нечеткие переменные: в основном, использовались обозначения, такие как «нормальный», «пониженный», «высокий».

Рисунок 4. Программа просмотра правил

Основное назначение программы просмотра правил (Рисунок 4) заключается в возможности визуализировать результаты нечеткого вывода и получать значения выходных переменных.

После дефазификации необходимо выбрать интенсивность каждого симптома в выводе правил в виде числового интервала, которое и покажет вероятность данного заболевания относительно интервала. Так, например, если в входных данных везде был выбран интервал «повышенный», то вероятность проявления заболевания наивысшая.

Стоит учитывать особенности проявления симптоматики каждой из выбранных патологий. Например «количество эритроцитов в моче» может быть незначительно повышен при пиелонефрите, но при МКБ это важный показатель, определяющий данную патологию.

Вывод:

Таким образом была разработана система нечеткой логики при определении почечных патологий. Предложенный подход позволяет обработать большой объем нечетких данных для дальнейшего внедрения модели поддержки принятия решения. Такой метод может стать удобным инструментом для дополнительной точки зрения во время постановки диагноза.

Список литературы:

1. Алесинский, Е. И. Применение методов нечёткой логики для решения научной задачи в соответствии с исходными данными / Е. И. Алесинский. // Молодой ученый. – 2021. – № 25 (367). – С. 16-22.
2. Обзор Российских систем поддержки принятия врачебных решений. URL: https://webiomed.ru/blog/obzor-rossiiskikh-sistem-podderzhki-priniatiia-vrachebnykh-reshenii/ (Дата обращения 02.03.2024)
3. Novák, V., Perfilieva, I. and Močkoř, J. (1999) Mathematical principles of fuzzy logic Dodrecht: Kluwer Academic. ISBN 0-7923-8595-0.
4. Гарипова Р. В. Профессиональные поражения почек от воздействия физических и биологических факторов / Р. В. Гарипова, Л.А.  Стрижаков, Е. В. Архипов; Пруд. мед и пром. экол.  – М., 2019. – 38 с.
5. Ерёмина В. В. Проектирование экспертной системы диагностики на базе нечеткой логики / Ю. А. Горожанина, В. В. Ерёмина // Современные научные исследования и инновации. 2017. № 6.