ПРИМЕНЕНИЕ ТЕЛЕМЕДИЦИНСКИХ ТЕХНОЛОГИЙ ДЛЯ ДИАГНОСТИКИ И МОНИТОРИНГА СЕПСИСА

В диагностике и лечении сепсиса существенным является раннее определение наличия сепсиса у пациента. В условиях ограниченности медицинских ресурсов целесообразно применять телемедицинские системы, позволяющие определять диагноз дистанционно на основе информативных признаков. Для оценки информативности используется метод МНЧ. Отбор признаков осуществляется на основе отсортированного (по информативности) списка признаков путем оценки качества классификации, выполняемой с помощью ROC-анализа. Выполненные исследования показали, что отобранные предложенным алгоритмом десять признаков (из 16 рассматриваемых) позволяют с высокой вероятностью выделить пациентов, обладающих диагнозом сепсис.

Современные системы коммуникаций позволяют квалифицированным специалистам транслировать свои знания для оказания помощи на любом расстоянии. В отдаленных районах встречаются случаи, когда для диагностики и лечения пациента требуется оперативная консультация профильного специалиста, а транспортировка пациента в профильный медицинский центр невозможна. В условиях ограниченности медицинских ресурсов целесообразно применять телемедицинские системы, обеспечивающие дистанционное взаимодействие медицинских работников с коллегами и пациентами. Для повышения качества такого взаимодействия можно использовать системы поддержки принятия решений, помогающие врачам своевременно и точно определять диагноз пациента [2].

Сепсис и септический шок являются одной из основных проблем здравоохранения. Это нарушение функций органов, вызванное реакцией организма на инфекцию, которое является лидирующей причиной летальности у пациентов в критическом состоянии[8]. Лечение сепсиса в Красноярском крае производится в краевом гнойно-септическом центре на базе краевой клинической больницы. Поскольку клиническое течение сепсиса может быть молниеносным, врачам из отдаленных районов края необходимо в кратчайшие сроки произвести диагностику сепсиса и принять решение о лечении пациента. В случае если у пациента сепсис, его необходимо направить в реанимационное отделение краевого гнойно-септического центра для получения дорогостоящего лечения. Ресурс профильного центра ограничен небольшим количеством койко- мест, поэтому в него не целесообразно направлять пациентов без сепсиса.

Использование математических методов и информационных технологий на начальном этапе позволяет повысить скорость диагностики сепсиса, благодаря применению эффективных алгоритмов классификации.

Целью исследования явилась разработка алгоритма, определяющего методику отбора наиболее информативных признаков при выявлении наличия сепсиса, а также создание программных средств, позволяющих использовать данную методику для мониторинга сепсиса по Красноярскому краю.

Признаком принято называть некоторый показатель или определенную характеристику объекта произвольной природы [5,6]. В медицинской диагностике в роли объектов выступают пациенты, а в качестве признаков - показатели их состояния здоровья. Признаковое описание пациента является, по сути, формализованной историей болезни пациента и может включать в себя значения несколько десятков признаков, многие из которых могут оказаться неинформативными с точки зрения решаемой диагностической задачи. В анализе сепсиса традиционно рассматривают 16 признаков, которые принимают количественные (числовые) значения: нарушение сознания, хлор, ЧДД ( уд. в мин), температура (в градусах Цельсия), АЛТ (Ед/л), АД систолическое (мм рт. ст.), натрий (ммоль/л), наличие очага инфекции (1 или 0), лейкоциты крови (109 /мл), билирубин (мкмоль/л), уровень тромбоцитов, (109 /л), SpO2 (%), АСТ (ед/л), креатинин (мкмоль/л), общий белок (г/л), Амилаза (ед/л).

На языке математики задача отбора признаков формулируется следующим образом. Пусть задана выборка A, характеризующая некоторую группу пациентов через множество признаков X = {х1, х2, …, хn}. Для всякого пациента a Î A известно его признаковое описание {х1(a), х2(a), ..., хn(a)} – n-мерный вектор, i-я координата которого равна значению i-го признака. Совокупность признаковых описаний всех пациентов из A представлено матрицей размера |A| ´ n, где |A| - число пациентов, включенных в выборку A. Пусть I(Z) - некоторая мера информативности подмножества признаков Z Í X, определенная относительно A. Требуется среди всех 2n различных подмножеств множества X выбрать подмножество Z* Í X с максимальной мерой информативности:

В теории машинного обучения данная задача называется FEATURES SELECTION (селекция признаков) [5]. Решение этой задачи можно находить путем последовательного удаления из X наименее информативных признаков. В результате такого отбора оставшееся множество признаков является представительным с точки зрения информативности и легко интерпретируется, поскольку каждый отдельный признак имеет отчетливую трактовку. Условием окончания процесса удаления признаков может служить качество классификации, оценка которого выполняется на основе заданных обучающих выборок.

Алгоритм решения задачи основан на известных в анализе данных математических методах. Исходными данными алгоритма являются: множество признаков X = {х1, х2, …, хn} и две обучающие выборки А1 и А2, соответствующие двум различным классам пациентов, разделенным по некоторому целевому признаку. В анализе сепсиса целевой признак разделяет пациентов на два класса: пациенты, у которых «нет сепсиса», и пациенты, у которых «есть сепсис». Вначале в алгоритме производится расчет информативности каждого признака из X при помощи метода МНЧ[6,7]. Далее признаки сортируются в порядке убывания значения меры информативности и записываются в список Z. Затем из отсортированного списка Z последовательно снизу вверх удаляются наименее информативные признаки (на каждом шаге по одному признаку). На основе оставшихся признаков осуществляется классификация тестового пациента a из выборки А1 È А2, полученной объединением А1 и А2. Существует большое количество методов классификации, обладающих различной сложностью и эффективностью [3]. Для медицинских данных целесообразно применение метода ближайшего соседа[1, 3]. Какой именно пациент a подлежит классификации, устанавливается методом «скользящего окна»[3,4]. После того как протестированы все пациенты из А1 È А2, вычисляются показатели ROC-анализа для оценки качества выполненной классификации. Если показатели ROC-анализа демонстрируют максимально эффективное качество классификации, то пространство признаков Z сохраняется для последующей классификации пациентов. В противном случае из Z исключается следующий признак, при этом ранее удаленные признаки не возвращаются в Z.

С помощью представленного алгоритма исследовались две обучающие выборки A1 и A2, где A1 – список пациентов, у которых не был выявлен сепсис (всего 100 человек), A2 – список пациентов, у которых был выявлен сепсис (всего 100 человек). Выборки A1 и A2 были сформированы из пациентов, проходивших стационарное лечение в Красноярском краевом гнойно-септическом центре. Для всех признаков была вычислена мера информативности по методу МНЧ относительно обучающих выборок А1 и А2. Затем признаки были отсортированы в порядке убывания значения меры информативности. Отсортированный список признаков с указанием их информативности по МНЧ представлен в табл. 1.

Таблица 1. Отсортированный список признаков для сепсиса

После вычисления показателей ROC-анализа можно судить о том, что максимальное качество классификации достигается при использовании следующих признаков с номерами 1-10. Качество классификации оценивается показателями ROC-анализа, такими как чувствительность и специфичность. Для представленных 10 признаков чувствительность = 95%, специфичность = 96%. Это означает, что в 95% случаев с использованием этих признаков можно верно классифицировать отсутствие сепсиса и в 96% верно определить наличие сепсиса. Для 16 исходных значение чувствительности = 75%, специфичность = 95%.

Все приведенные выше результаты вычислений были получены с помощью разработанной программы на языке программирования С++ в среде Embarcadero RAD Studio XE8. Серверная часть программы и база данных, содержащая обучающие выборки должны, находится в профильном медицинском центре. Клиентская часть программы устанавливается в лечебном учреждении, в которое поступил пациент. Врач заполняет значения десяти наиболее информативных признаков соответствующими данными о пациенте через простой интерфейс. Программа производит классификацию введенного пациента и показывает врачу определенный диагноз. Следует отметить, что результат проведенной классификации несет рекомендательный характер, и окончательное решение о дальнейшем ведении пациента принимает лечащий врач. Все введенные диагностические данные сохраняются на сервере в профильном центре. Представленные в работе алгоритмические и программные средства проходят апробацию в красноярском краевом гнойно-септическом центре Краевой клинической больнице.

Список литературы

1.       Воронов К.В. Машинное обучение: курс лекций. 2010. URL: http://www.machinelearning.ru. (дата обращения 01.12. 2017).

2.       Гусев А.В., Зарубина Т.В. Поддержка принятия врачебных решений в медицинских информационных системах медицинской организации. Врач и информационные технологии. 2017; (2):60–72.

3.       Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы.Программная система. Практические применения. М.: Фазис; 2006.

4. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: ИМ СО РАН; 1999.

5. Ким Д.О., Мьюллер Ч.У., Клекка У.Р. Факторный, дискриминантный и кластерный анализ. М.: Финансы и статистика; 1989.

6. Колесникова С.И. Методы анализа информативности разнотипных признаков. Вестник Том. гос. ун-та. Управление, вычислительная техника и информатика. 2009; 1(6):69–80.

7. Кривенко М. П. Критерии значимости отбора признаков классификации. Информатика и её применение. 2016; 10(3):32–40.

8. Singer M. et al. The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3)//JAMA. – 2016. – Т. 315. – №. 8. – С. 801-810.