Дается обзор моделей и типов аналитических систем, применяемых в здравоохранении. Рассматриваются эвристические модели: экспертная, регрессионная, деревья решений, нейросети. Для каждой приводится список интересных медицинских систем, их использующих

1. Сергей Добриднюк,
«Диасофт Системы»
резидент ИЦ «Сколково»
Кибернетическая
медицина 2015
Успех или
Мистификация ?

2. Видение будущего
В медицинском центре сложнейшую операцию на сердце делает робот. Человек
только контролирует его действия на экране компьютера (Roboarts Japan, 1969)

3. Поколения МИС по Gartner
Первое поколение. Сборщик (The Collector). Разрозненные системы ведения
медицинской документации с возможностью сбора консолидированной
отчетности, без необходимого уровня детализации электронных медицинских
записей
Второе поколение. Документатор (The Documentor). Более продвинутые системы
ведения медицинских записей, однако без возможностей мультимедиа,
поддержки доказательной медицины и накопления знаний
Третье поколение. Помощник (The Helper). Пациенто-центрическая система
ведения электронных медицинских записей с поддержкой медицинских
мультимедийных данных, элементами поддержки доказательной медицины,
работы в сетях ЛПУ и т.п.
Четвертое поколение. Коллега (The Colleague). Третье поколение плюс
поддержка принятия решений, автоматизации клинических потоков работ,
продвинутых аналитических возможностей
Пятое поколение. Наставник (The Mentor). Четвертое поколение плюс
фактическая возможность приложений подсказывать врачам возможные пути
лечения и диагностики пациентов

4. Поколения МИС по Gartner

5. Интеллектуальные системы
Искусственный интеллект
(artificial intelligence, AI) –
свойство автоматических
систем брать на себя
отдельные функции человека,
в том числе когнитивные и
творческие
Кибернетика – наука об общих
закономерностях процессов
управления и передачи
информации в технических,
живых и социальных системах

6. Кибернетические системы
Экспертные модели
Регрессионные модели
Деревья решений
Нейронные сети

7. Экспертные модели
Принцип
Для каждого из рассматриваемых
входных параметров имеется таблица
весов, поставленных экспертами-
людьми
Данная модель легко разрабатывается в
продуктах класса Excel или вручную по
результатам «мозгового штурма»
«Улучшение» или «ухудшение» общего
целевого балла, если рассматриваемые
входные параметры коррелируют
между собой
Достоинства
Недостатки

8. Примеры ИС, использующих экспертные
модели
WebMD Checker – диагностика по симптомам
PROTEGE – набор инструментов для построения баз знаний
DXPlain - системы поддержки клинических решений, используется для
ассистирования в процессе диагностики
CASNET предназначена для диагностики и выбора стратегии лечения
глаукомы
MYCIN, EMYCIN - диагностика и лечение инфекционных заболеваний
крови
Germwatcher - помощь больничному эпидемиологу. Включает базу
знаний, основанную на правилах, используется для генерации гипотез о
возможных инфекциях
PEIRS интерпретирует и комментирует отчеты по химическим патологиям
Puff - предназначена для интерпретации результатов
функционального пульмонологического теста на основе прецедентной
информации
HELP –госпитальная ИС с функциями поддержки принятия решений

9. Регрессионные модели
Принцип
Построение полинома (чаще лог-регрессия)
на основе обучающей выборки
• Не искажает результат в случае
корреляции входных параметров между
собой, автоматически обнуляя веса
зависимых параметров
• Модель можно перепроверить, т.к у
целевой функции существует обратная
функция
• Нечувствительность к резкому
изменению диапазона значений
входных параметров
Достоинства

10. Точность статистических моделей
Перем
енная
Параметр
Коэффиц
иент
1 Число случаев беременности 0.1232
2 Концентрация глюкозы 0.0352
3
Артериальное диастолическое
давление, мм. рт. ст.
-0.0133
4
Толщина кожной складки
трехглавой мышцы, мм.
0.0006
5
2-х часовой сывороточный
инсулин
-0.0012
6 Индекс массы тела 0.0897
7
Числовой параметр
наследственности диабета
0.9452
8 Возраст, лет 0.0149
*) Из UCI machine learning repository
www.basegroup.ru
confusion
matrix
Фактически
Модель Положит. Отрицат.
Положит. TP FP
Отрицат. FN TN

11. Примеры статистических модулей,
подключаемых к МИС
• Bayesia
• Deductor Studio
• IBM SPSS Statistics
• IBM SPSS Modeler
• Matlab
• MS Excel
• Oracle Data Miner
• Orange
• Statsoft Statistica
• SAS Etnerprise
Miner
• Stata
• Statsoft Statistica
• TIBCO Spotfire

12. Деревья решений
Принцип
Построение дерева (обычно С4.5) на основе
обучающей выборки
• Также как и модель лог-регрессии –
модель автоматически ранжирует
входные параметры по степени влияния
на результат, рассчитывая коэффициенты
влияния
• Результат представляется в виде «дерева»
- которое можно использовать даже в
ручном режиме обработки данных
• Модель автоматически убирает ненужные
сравнения и расчеты, обеспечивая очень
высокую скорость расчета целевого
предложения
Достоинства

13. Нейронные сети
Принцип
Модель самообучающихся сетей,
имитирующих работу человеческого мозга
• Самые высокие показатели точности
• Позволяет найти закономерности даже
в случае «серой зоны» - когда ни по
одному из входных параметров
невозможно сделать точный вывод о
клиенте и его проблемах
• Очень высокие требования к
вычислительным средствам, на которых
разрабатывается и обсчитывается
модель, в тяжелых случаях применяется
специальное аппаратное обеспечение
Достоинства
Недостатки

14. Нейронные сети
San-Diego Univ. – разпознавание инфаркта у больных с острой болью
MYCIN–ECD – расшифровка ЭКГ
RES Informatica – кардиодиагностика по спектрам тахограмм
Toronto Univ. – прогноз пребывания в интенсивной терапии
Mayo Clinic – распознавание маммограм
ТРИНИТИ – выбор метода лечения базалиомы
Multineuron – диагностика меланомы
NCI – предсказание механизма действия химиотерапии
НИИЯФ МГУ – анализ заболеваний органов слуха
Sindey Univ – прогноз внезапной смерти новорожденных
Papnet – скрининг и интерпретация пап-мазков
Vienna Univ. – анализ биопсии простаты и урологических анализов
Aizenberg – фильтрация и сегментация томограмм мозга
Rajapakse – анализ рентгенограмм вн. органов: печень, почки
Dokur – анализ 4 специфичных волн ЭКГ при аритмии
KBANN – классификация МРТ (фосфор и пр) в онкологии
Kaiser Hospital – автоматическое назначение анализов (свыше 250)
ACR – анализ васкулитных поражений

15. Эксперимент «Китайская комната»
Searle, John. R. (1980) «Minds, brains, and programs. Behavioral and Brain Sciences»
Нужны системы,
распознающие
контекст и смысл
сказанного,
умеющие
исполнять
творческие
функции человека
Когнитивные
системы,
Искусственный
интеллект
Можно ли
эффективно
отвечать на
вопросы, если
действуешь
механически, не
понимая смысл
вопроса ?

16. Информационная система IBM Watson

17. Технология ABBYY Compreno

18. Вопросы, которые чаще всего задают
Кто должен создавать такие системы – Математик или Врач ?
Только Врач (но знающий математику). Только он способен задавать
«правильные» вопросы и делать содержательные глубокие выводы
Откуда взять данные ?
Это самая драматичная часть в России. Мало оцифрованных данных,
а те что есть – имеют низкое качество и консистентность. ЕГИСЗ и
ЭМК в этом сильно помогает. Для аналитической работы можно
взять и иностранные данные, отнормировав на целевом сегменте
Нам не нужна статистика, у нас нет столько данных
Не надо много. Важно чтобы данные были репрезентативными. Для
обучения нейросетей достаточно не более 3-4 тыс. эпизодов
Можно ли стать успешным разработчиком Аналитической Модели ?
Да, но нужна не модель, а законченное решение (Сервис). Это
командный проект для ученых, практиков, разработчиков, чиновников

19. Спасибо за внимание !