Особливості проектування систем підтримки лікувальних рішень

Дана стаття висвітлює етапи моделювання, визначення методу та механізму проектування лікувальних систем прийняття рішень, що дає змогу підвищити ефективність виконання поставлених завдань при розробці систем такого типу. Данная статья освещает этапы моделирования, определения метода и механизма прое...

Full description

Saved in:

Bibliographic Details
Published in:	Математичні машини і системи
Date:	2014
Main Authors:	Мельникова, Н.І., Стебліна, К.В.
Format:	Article
Language:	Ukrainian
Published:	Інститут проблем математичних машин і систем НАН України 2014
Subjects:	Інформаційні і телекомунікаційні технології
Online Access:	https://nasplib.isofts.kiev.ua/handle/123456789/84335
Tags:	Add Tag No Tags, Be the first to tag this record!
Journal Title:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Cite this:	Особливості проектування систем підтримки лікувальних рішень / Н.І. Мельникова, К.В. Стебліна // Математичні машини і системи. — 2014. — № 1. — С. 92-100. — Бібліогр.: 10 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859638008848842752
author	Мельникова, Н.І. Стебліна, К.В.
author_facet	Мельникова, Н.І. Стебліна, К.В.
citation_txt	Особливості проектування систем підтримки лікувальних рішень / Н.І. Мельникова, К.В. Стебліна // Математичні машини і системи. — 2014. — № 1. — С. 92-100. — Бібліогр.: 10 назв. — укр.
collection	DSpace DC
container_title	Математичні машини і системи
description	Дана стаття висвітлює етапи моделювання, визначення методу та механізму проектування лікувальних систем прийняття рішень, що дає змогу підвищити ефективність виконання поставлених завдань при розробці систем такого типу. Данная статья освещает этапы моделирования, определения метода и механизма проектирования лечебных систем принятия решений, что позволяет повысить эффективность выполнения поставленных задач при разработке систем такого типа. This article highlights the stages of modeling, method identification and mechanism designing of medical decision support systems, which allows increasing the efficiency to perform the tasks in the systems development of this type.
first_indexed	2025-12-07T13:18:18Z
format	Article
fulltext	92 © Мельникова Н.І., Стебліна К.В., 2014 ISSN 1028-9763. Математичні машини і системи, 2014, № 1 УДК 004.652.4+004.827 Н.І. МЕЛЬНИКОВА , К.В. СТЕБЛІНА * ОСОБЛИВОСТІ ПРОЕКТУВАННЯ СИСТЕМ ПІДТРИМКИ ЛІКУВАЛЬНИХ РІШЕНЬ * Національний університет “Львівська політехніка”, Київ, Україна ** Чернівецький національний університет ім. Ю. Федьковича, Київ, Україна Анотація. Дана стаття висвітлює етапи моделювання, визначення методу та механізму проек- тування лікувальних систем прийняття рішень, що дає змогу підвищити ефективність виконання поставлених завдань при розробці систем такого типу. Ключові слова: проектування систем прийняття рішень, модель, лікувальні експертні системи, складно-формалізовані задачі. Аннотация. Данная статья освещает этапы моделирования, определения метода и механизма проектирования лечебных систем принятия решений, что позволяет повысить эффективность выполнения поставленных задач при разработке систем такого типа. Ключевые слова: проектирование систем принятия решений, модель, лечебные экспертные сис- темы, сложно-формализованные задачи. Abstract. This article highlights the stages of modeling, method identification and mechanism designing of medical decision support systems, which allows increasing the efficiency to perform the tasks in the systems development of this type. Keywords: decision support systems designing, model, medical expert system, difficult formalized problems. 1. Вступ Проблема діагностики стану складних систем, що характеризуються великою кількістю контрольованих параметрів і можливих станів, є однією з центральних у багатьох галузях людської діяльності. Особливого значення ця проблема набуває у тих випадках, коли від- сутність своєчасного та ефективного оцінювання стану об’єкта призводить до небажаних наслідків. Це, перш за все, стосується складних технічних систем, а також систем діагнос- тики та лікування стану здоров’я людини. Оскільки прийняття рішень є результатом опра- цювання певної інформації про пацієнта й базується на використанні накопичених знань, можна очікувати, що комп'ютерні системи штучного інтелекту й системи підтримки при- йняття рішень здатні допомогти лікареві у розв’язанні завдань діагностики та вибору ліку- вальної тактики [1, 2]. 2. Постановка задачі та її актуальність Метою роботи є висвітлення етапів моделювання, визначення методу та механізму проек- тування лікувальних систем прийняття рішень, що дає змогу підвищити ефективність ви- конання поставлених завдань при розробці систем такого типу. На даний час медичні інте- лектуальні інформаційні системи реалізуються як пошукові медичні бази даних, забезпе- чені «інтелектуальними мережами», що не лише вдосконалює роботу лікаря й сприяє дос- лідженню широкого спектра фармакологічної продукції. Медичні інформаційні технології з теоретичної й ексклюзивної площини сьогодні впритул наблизилися до медичної практи- ки. Це спонукало дослідників з питань моделювання системи підтримки лікувальних рі- шень (СПЛР) розробляти нові методи швидкого вирішення актуальних медичних задач, внаслідок чого підвищився б рівень інтелектуальної підтримки сучасного лікаря-фахівця. Вчені, що займались даною проблемою, це Черноруцький І.Г., Ларичев О.І., Дюран Б., Оделл П., Мандель І.Д., Дюк В.А., Коршевнюк Л.О. та ін. ISSN 1028-9763. Математичні машини і системи, 2014, № 1 93 Рис. 1. Інформаційна модель лікувальної ІС У процесі моделювання та побудови інформаційних систем (ІС) використовується поняття моделі предметної області, яка на основі системи знань забезпечує автоматичний вибір оптимального алгоритму розв’язку задачі. Лікувальні ІС, що розробляються за допомогою математичного та програмного за- безпечення, є системою штучного інте- лекту. На сьогодні практично не існує аналогів СПЛР, які давали б практич- ному лікарю-фахівцю структуровані терапевтичні схеми медикаментозного призначення для лікування різних па- тологій. Складність полягає у створенні інформаційної моделі представлення знань даної предметної області, яка ви- магає знань кваліфікованого експерта в даній області. Внаслідок цього, лікува- льні ІС дають потенційну платформу для подальших досліджень та опрацю- вань [3, 4]. На рис. 1 представлена ін- формаційна модель лікувальної ІС. 3. Аналіз методів прийняття лікувальних рішень Поширення ускладнених форм захворювань обумовлює створення сучасних медичних за- собів, спрямованих на підвищення ефективності методів підбору схем діагностування та лікування пацієнтів на підставі опрацьованих початкових параметрів. Побудова баз знань та правил виводу в експертних системах (ЕС), які базуються на міркуваннях експертів у конкретній предметній області, носить складний характер їхньої формалізації, що саме і представляє основну цінність. Втілення ідеї методів при розгляді СПЛР дало можливість ретельно проаналізувати їхні переваги та недоліки. Ряд опрацьованих схем мають достатньо переваг: – вдається накопичувати інформацію, що надходить із різних джерел, з метою підт- вердження або непідтвердження певної гіпотези (байєсовий підхід); – універсальність і простота (ієрархічні агломеративні методи); – висока точність і стабільність (апріорний метод); – спрощує процес підтвердження факту (метод зворотного виводу); – створює ефект більш “уважного” відношення ЕС до предмета експертизи (алго- ритм логічного виводу). Недоліки методів дають можливість проаналізувати ефективність їхнього застосу- вання, а саме: – при розгляді більше одного параметра принципова схема роботи ЕС ускладнюєть- ся та з’являється показник невизначеності (байєсовий підхід); – великі затрати обчислювальних ресурсів (ієрархічні агломеративні методи); – невдале початкове розбиття не може бути змінене на наступних кроках (ієрархічні агломеративні методи); – працюють лише з бінарними ознаками об’єктів (апріорний метод); – «не знаходять» асоціативних залежностей з малою підтримкою (апріорний метод); – при присутності факту невизначеності пошук оптимального результату ускладню- ється (метод зворотного виводу); – при неоднозначності результатів виникає багато альтернативних рішень, що ускладнюють проведення ефективного лікування пацієнта (алгоритм логічного виводу). 94 ISSN 1028-9763. Математичні машини і системи, 2014, № 1 Отже, для вирішення задач медичної діагностики та лікування доцільно використо- вувати методи теорії нечіткої логіки, які реалізуються на прикладі, в даному випадку, екс- пертних систем [4]. На даний час дослідження в галузі підтримки прийняття лікувальних рішень ве- дуться, але сучасні СПЛР не забезпечують виконання повного обсягу поставлених завдань для реалізації процесу підбору оптимальної та індивідуальної схем призначення лікування пацієнтів із різними типами захворювань. Тому основними задачами, що виникають при моделюванні інформаційних медич- них систем, є [5]: – узагальнення методів представлення складно-формалізованих даних та забезпе- чення коректного вирішення задач у предметних областях медицини; – розроблення моделі та методів функціонування лікувальної ІС; – розроблення алгоритмів підбору найоптимальнішого механізму лікувальних фар- мацевтичних схем; – розробка системи підтримки лікувальних рішень, які поєднують переваги тради- ційних методів подання експертних знань; – впровадження прототипу лікувальної системи в медичному закладі та апробація результатів роботи розроблених алгоритмів. 4. Формальна модель лікувальної експертної системи Особливості проектування ЕС вимагають введення формальної моделі СПЛР. Для форма- лізованого представлення лікувальної експертної системи (ЛЕС), задачею якої є підбір на- йоптимальнішого механізму лікувальної фармацевтичної схеми, за основу береться струк- турна модель продукційної ЕС, яку зазвичай використовують для вирішення такого класу задач. База знань у відповідності зі структурною схемою ЕС полягає в підборі певної мно- жини правил Р [6]. Усі правила, керуючись механізмом виводу продукційної ЕС, можна відобразити у вигляді підмножин правил: :P Ψ → Ω , де Ω – схема лікування, Ψ – множина чітких та нечітких параметрів пацієнта. Прикладом фактів є нечіткі параметри: бактеріальна флора, локалізація запального процесу, анатомічна локалізація, супутня патологія та ін. Прикладом правил є підбір препаратів на основі вибраних чітких та нечітких пара- метрів. Із запропонованої формальної моделі ЛЕС виходить, що ЛЕС – кортеж даних: , , , , , , , ,LS S A P Z G gf ge F K= , де Z – множина всіх можливих вихідних даних, G – кінцева множина станів діалогової системи, gf – початковий стан системи, де gf G∈ , ge – кінцевий стан системи, де ge G∈ , F – множина процедур прийняття рішень, P – множина правил, K – персоналі- зована схема лікування, A – множина чітких даних, S – множина нечітких даних, яка складається з двох підмножин 1S та 0S : 0 1,S S S= ∪ 0 1S S = ∅∩ , де 1S будемо вважати множиною констатованих параметрів, та 0S – множина непомічених параметрів. Правила Ψ → Ω інтерпретуються за допомогою конструкції ISSN 1028-9763. Математичні машини і системи, 2014, № 1 95 Рис. 2. Концептуальна модель підбору терапевтичної схеми лікування в ЛЕС ,ЯКЩО ТОДІΨ Ω , Отже, механізм виводу слідує такій послідовності: виконується правило, ліва час- тина якого Ψ співcтавляється з існуючими параметрами у множині 1S і набуває істини. В результаті множина 1S поповнюється за рахунок фактів, що констатуються у правій части- ні продукції Ω . Це породжує ланцюг виводів проміжних та остаточних рішень [1, 6]. 5. Концептуальна модель лікувальної ек- спертної системи На основі формулювання математичної мо- делі ЛЕС була створена концептуальна мо- дель, яка представляє змістовний опис меха- нізму підбору терапевтичної схеми лікуван- ня хворих (рис. 2). У даній схемі до множини чітких да- них (А) входять параметри, що характери- зують особливості певного лікарського за- собу, які можна вважати сталими величина- ми. Розглядаючи множину нечітких даних (S), можна стверджувати, що вони взаємо- залежні, так як множина S складається з двох підмножин S0 та S1. При наявності да- них підмножини S1 формуються дані підм- ножини S0. Запропонована концептуальна модель дозволяє оптимізувати процес реалізації в залежності від поширення, характеру дифе- ренціювання процесу і таким чином забез- печити підвищення ефективності лікування хворих: зменшення частоти повторів захво- рювання, скорочення тривалості періоду лі- кування [1]. 6. Математична модель скінченного автомата на прикладі СПЛР Поняття скінченного автомата (СА) було запропоновано як математична модель (ММ) те- хнічних приладів дискретної дії, оскільки будь-який такий пристрій (в силу скінченності своїх розмірів) може мати тільки скінченну кількість станів ММ [7]. Якщо відношення задаються аналітично, то їх можна розв'язати в замкнутому ви- гляді (явно) відносно шуканих змінних як функції від параметрів моделі або в частково замкнутому вигляді (неявно), коли шукані змінні залежать від одного або багатьох параме- трів моделі. До моделей цього класу належать диференційні, інтегральні, різницеві рівнян- ня, ймовірнісні моделі, моделі математичного програмування та ін. Базуючись на розробленій моделі ЛЕС, можна формалізувати систему підтримки лікувальних рішень у вигляді СА, який характеризується шістьма елементами. Це дасть змогу в подальшому визначити стан хворого протягом лікування у кожний момент часу та призначити стандартні схеми лікування при врахуванні індивідуальних особливостей паці- єнта. 2 0MLC , , , , , ,G Z g= < Ψ α β > 96 ISSN 1028-9763. Математичні машини і системи, 2014, № 1 Рис. 4. Узагальнена схема моделювання СППЛР де G – скінченна множина внутрішніх станів (внутрішній алфавіт або алфавіт станів); Ψ – скінченна множина вхідних сигналів (вхідний алфавіт); Z – скінченна множина вихідних сигналів (вихідний алфавіт); 0g – початковий стан, 0g G∈ ; α – функція переходів; β – функція виходів. :G Gα × Ψ → , :G Zβ × Ψ → , де ( ),gα ψ та ( ),gβ ψ – однозначні функції, тобто автомат відноситься до класу детерміно- ваних. У детермінованих автоматах кожен стан має лише один перехід для кожного входу. В недетермінованих автоматах вхід може призвести до одного, більше, ніж одного або зо- всім без переходу для даного стану. Ця різниця важлива на практиці, але не в теорії, через існування алгоритму трансформації будь-якого недетермінованого СА в більш складний детермінований СА з однаковою функціональністю [3, 4]. При вирішенні задач прийняття лікувальних рішень мінімізують кількість станів ав- томата для роботи згідно з заданим алгоритмом, зокрема, такий автомат називають абстра- ктним (рис. 3). Рис. 3. Схема абстрактного автомата ЛЕС Пропонуємо узагальнену схему моделювання системи підт- римки прийняття лікувальних рі- шень (СППЛР) на основі розшире- них структурованих моделей (рис. 4). 7. Дерево рішень системи підтри- мки лікувальних рішень Одним із способів оцінювання та опрацювання медичної інформації є застосування методу дерева цілей, який орієнтований на одержання по- вної і відносно стійкої структури цілей, проблем, функцій, напрямків. Дерева рішень є одним із найпопу- лярніших підходів до розв’язання задач Data Mining. Цілі випливають із об'єктивних потреб і мають ієрар- хічний характер. Цілі верхнього рів- ня не можуть бути досягнуті, поки не досягнуті цілі найближчого ниж- нього рівня. В міру переміщення вниз рівнями ієрархії цілі конкретизуються [8, 9]. Параметри стану пацієнта (ψ ∈Ψ) Фармацевтичні схеми лікування пацієнтів (z ∈ Z) Діалоговий інтерфейс системи (g∈G) ISSN 1028-9763. Математичні машини і системи, 2014, № 1 97 Рис. 5. Основні етапи процесу прийняття медичних рішень Рис. 6. Дерево прийняття рішень при підборі терапевтичних cхем лікування Найбільш визнаним підходом до прийняття медичних рішень є дотримання проце- дури виконання обов'язкових дій: – розпізнавання проблеми; – встановлення цілей розв'язання проблеми; – вивчення проблеми за допомогою збирання та опрацювання інформації, результа- тів аналізів, огляду хворого, медичної картки; – обґрунтування альтернативних дій; – порівняння та відбір альтернатив; – формулювання та видавання рішень. Побудова дерева рішень ЕС при використанні цього підходу зумовлена зображен- ням послідовності питань, що задаються лікарем при вирішенні проблеми підбору ліку- вання. Програма здійснює перехід від питання до питання до тих пір, поки не буде знайде- но рішення або вичерпані можливі переходи. Недоліком такого підходу можна вважати таке: – при спробі побудувати подібні дерева для вирішення складних медичних завдань кількість вершин і розгалужень стає настільки великою, що аналіз логічного дерева виявля- ється вкрай складним; – найменші зміни, що вносяться до логіки програми, призводять до необхідності будувати дерево заново і переп- рограмувати всю задачу. У той же час такий підхід вкрай зручний, тому що до- зволяє представити у програмі логіку складання послідовно- сті питань лікарем при вирішенні лікувальної задачі збору анамнезу у клінічних умовах. Цей підхід дозволяє імітувати процес прийняття рішення лікарем при підборі схеми ліку- вання. На рис. 5 зображено послідовність виконання основ- них етапів процесу прийняття медичних рішень. Пропонуємо візуалізацію процесу прийняття рішень при підборі найоптимальнішої схеми лікування пацієнта, де множини продукцій та вихід- них даних організовані в деяку систему, представ- лену у вигляді дерева рі- шень. Фрагмент такого дерева підбору терапевти- чних схем лікування з ве- ршинами – препаратами z1,z2,…,z12 представле- ний на рис. 6. Пропонуємо влас- ний підхід побудови дерев прийняття лікувальних рішень, який орієнтує ме- ханізм опрацювання скла- дно-формалізованих даних медичної діагностики при визначенні оптимальної схеми ліку- вання хворих. І. Якщо вершині дерева прийняття медичних рішень поставлена у відповідність Z – множина препаратів і кожен з них визначає a A∈ , то ця вершина є листком дерева. 98 ISSN 1028-9763. Математичні машини і системи, 2014, № 1 Система підтримки лікувальних рішень Д о тр и м ан н я ст ан д ар ті в З аб ез п еч ен н я б ез п ек и З аб ез п еч ен н я ц іл іс н о ст і д ан и х Б ал ан су в ан н я су п ер еч н о ст ей в и м о г З аг ал ь н и й д о ст у п д о д ан и х в и м о г Рис. 7. Фактори впливу на СПЛР ІІ. Якщо для певної вершини етап І не виконується, то розглядається множина нечі- тких параметрів S . Поточна вершина – G . Якщо S ≠ ∅ , то 14Z Z S= − ; S S s= − . Розрахунок оціночної функції v для кожного s . Для кожного Gv V∈ : – утворюють дуги, інцидентні G , та позначають кожну значенням v ; – для кожної дуги створюється термінальна вершина; – з утворених термінальних вершин обираємо вершину з ( )max GV ; – множина A вершини G розбивається на підмножини за значеннями sa ; – кожній термінальній вершині ставиться у відповідність одна з підмножин чітких параметрів хворого, утворених у вершині G , всі елементи якої мають однакові значення v . ІІІ. Якщо 14S = ∅ на етапі 2, тоді до вершини, яка повинна стати листком, застосо- вуються продукційні правила F , які враховують елементи множини препаратів Z , мно- жини чітких та нечітких параметрів Ψ пацієнта та ідентифікують персоналізовану схему лікування K . Отже, кожна внутрішня вершина є коренем піддерева, якому відповідають всі прик- лади з однаковим значенням одного з атрибутів та різними значеннями атрибута прийнят- тя рішень. Кожному листку дерева відповідають приклади, що мають однакові значення одного з атрибутів та однакові значення атрибута прийняття рішень. 8. Структура системи підтримки при- йняття лікувальних рішень Кваліфіковано розроблена система під- тримки прийняття рішень повинна за- безпечувати виконання пріоритетних вимог щодо керування даними, які ви- значають її практичну доцільність та ефективність. Фактори впливу на СПЛР представлені на рис. 7. Повний контроль над базою знань забезпечується дотриманням ви- значених правил безпеки, які будуть пе- ревірятися при спробі доступу до даних. Для різних типів доступу (вибірки, вставки, вида- лення й т.д.) і різних частин бази знань встановлюються різні правила [8, 9]. При роботі системи підтримки лікувальних рішень використовують фактичні знан- ня, що повідомляються ЕС експертом у процесі діалогу і відображають погляди людини щодо інтерпретації даних на момент роботи. Процедурні знання тісно пов'язані з фактич- ним накопиченим досвідом, на основі якого відпрацьовувались правила, що регламенту- ють поведінку системи. Знання, на основі яких здійснюють керування, дають змогу підби- рати найкращу стратегію у роботі системи. Аналітична частина СППР у вигляді системи запитань являє собою алгоритми, побудовані на виразах «якщо – то», логічних описах у відповідних модулях. Система функціонує в циклічному режимі: вибір (запит) вхідних даних, спостере- ження, інтерпретація результатів, засвоєння нової інформації, висування за допомогою правил тимчасових гіпотез і після цього вибір наступної сукупності даних. Для реалізації інтеграції даних з різнотипних джерел використано службу інтеграції SQL (рис. 8), яка на- дає гнучку і масштабовану архітектуру, що забезпечує ефективну інтеграцію даних. ISSN 1028-9763. Математичні машини і системи, 2014, № 1 99 Рис. 8. Схема даних вхідних та вихідних параметрів СППЛР МІС Експерт БОЗ МЛВ МА-MLC2 МОБЗ БП МПР Користувач - експерт Цілісність даних досягається збе- реженням правильності й точності даних у базі знань. Для збалансування суперечли- вих вимог, знаючи загальні вимоги всього об'єкта, необхідно структуризувати базу знань таким чином, щоб обслуговування в цілому було кращим. Для цього застосо- вують відкриті медичні онтології (Suggested Ontology for Pharmacogenomics, Symptom Ontology, NCI Thesaurus, Ontology of Medically Related Social Entities, Ontology for General Medical Science), що містять всеохоплюючу ієрар- хічну інформацію про діагностику та ліку- вання захворювання, представляють со- бою область знань в охороні здоров’я, фа- рмакогеноміці та ін. [10]. Архітектура пропонованої СППЛР складається із модулів, що забезпечують повно- цінне та якісне її функціонування, а саме: МІС – модуль інтерфейсу системи, БОЗ- база он- тологічних знань, МОБЗ – модуль оновлення бази знань, БП – блок пояснень, МЛВ – мо- дуль логічного висновку, МПР – модуль прийняття рішень, МА-MLC2 – модуль автомата MLC2 (рис. 9). Рис. 9. Архітектура СППЛР служить для роз'яснення причин, за якими СППЛР пропонує застосувати ту або іншу аль- тернативну схему лікування з урахуванням вхідних даних стану хворого. Дана процедура використовується для зняття сумнівів у користувача-експерта, що приймає остаточне рі- шення. За допомогою модуля МА-MLC2 проводиться опис шляху зміни обраної терапев- тичної схеми в залежності від стану хворого та інформації про стани системи в певний пе- ріод часу. У модулі МПР виконується аналіз даних, що надходять з МА-MLC2, та прийнят- тя рішень щодо вибору найоптимальнішої схеми лікування із застосуванням дерев рішень. 9. Висновки Сучасна конкурентоздатність залежить від можливостей доступу, обробки та аналізу інфо- рмації. При кваліфікованому опрацюванні інформації виникає проблема неефективності існуючих алгоритмів методів аналізу даних. Найчастіше аналітики стикаються з ситуаці- єю, коли важко зробити які-небудь чіткі припущення щодо досліджуваної задачі. У даній статті запропонована концептуальна модель, що дає змогу оптимізувати вибір терапевтич- У наведеній архітек- турі СППЛР модуль МОБЗ служить для отримання ек- спертних даних, їх структу- ризації і поповнення існую- чої БОЗ. Модуль МІС слу- жить для обміну інформаці- єю між користувачем та СППЛР. Модуль МЛВ вико- ристовується для опрацю- вання отриманих даних та видачі рекомендацій корис- тувачу-експерту. Модуль БП 100 ISSN 1028-9763. Математичні машини і системи, 2014, № 1 ного лікування в залежності від характеру захворювання та забезпечити підвищення ефек- тивності лікування хворих внаслідок зменшення частоти повторів захворювання, скоро- чення тривалості періоду лікування. Формалізовано модель СПЛР на основі концепції тео- рії автомата Мілі, що підтверджує існування функції вихідних сигналів, яка залежить від множини станів системи та вхідних сигналів, тобто параметрів пацієнта. На підставі цього стверджуємо, що процес призначення лікування є особливим видом автомата – абстракції при використанні опису шляху зміни стану об’єкта (хворого) в залежності від досягнутого стану та інформації отриманої ззовні. Наведений алгоритм прийняття медичних рішень, що формалізує процес призначення лікування хворих з різною патологією. На основі цього описана система організації роботи системи підтримки прийняття лікувальних рішень, у результаті чого лікар-експерт на базі проведеного аналізу множини параметрів отримує найоптимальнішу схему лікування. Отже, проектування систем підтримки лікувальних рі- шень дає пересічному лікарю-фахівцю можливість підвищити рівень кваліфікованої меди- чної допомоги та ефективність вибору медикаментозної терапії при лікуванні різного типу патології у пацієнтів. Все ж відповідальність та прийняття рішення залишається за лікарем, але інформаційні системи є важливими елементами системи охорони здоров'я, що сприя- ють підвищенню швидкості та якості отримання медичної інформації. СПИСОК ЛІТЕРАТУРИ 1. Мельникова Н.І. Моделювання експертних систем призначення лікування / Н.І. Мельникова // Радіоелектроніка, інформатика, управління. – 2012. – № 1. – С. 63 – 70. 2. Шаховська Н.Б. Аналіз методів підтримки прийняття рішень у лікувальних системах / Н.Б. Ша- ховська, Н.І. Мельникова // Математичні машини і системи. – 2011. – № 2. – С. 62 – 72. 3. Мельникова Н.І. Застосування дерев рішень при проектуванні лікувальної експертної системи / Н.І Мельникова., Н.Б. Шаховська // Складні системи і процеси. – 2012. – № 1. – С. 38 – 47. 4. Мельникова Н.І. Аналіз стану програмного забезпечення в медицині / Н.І. Мельникова, Н.Б. Ша- ховська // Вісник НУ ”Львівська політехніка”. – 2010. – № 673. – С. 146 – 153. 5. Автоматизированное проектирование информационно-управляющих систем. Проектирование экспертных систем на основе системного моделирования / Г.Г. Куликов, А.Н. Набатов, А.В. Речка- лов [и др.]. – Уфа: Уфимск. гос. авиац. техн. ун-т, 1999. – 223 с. 6. Черноруцкий И.Г. Методы принятия решений / Черноруцкий И.Г. – СПб.: БХВ – Петербург, 2005. – 416 с. 7. Rough Sets: A Tutorial / J. Komorowski, Р. Pawlak [et al.]; eds. S.K. Pal, A. Skowron // Rough Fuzzy Hybridization: A New Trend in Decision-Making. – Singapore: Spriner-Verlag, 1998. – P. 3 – 98. 8. Czichosz P. Systemy uczaca sie / Czichosz P. – Warszawa: Wydawnictwa Naukowo-Techniczne, 2000. 9. Прикладная теория цифровых автоматов / К.Г. Самофалов, А.М. Романкевич, В.Н. Валуйский [и др.]. – К.: Вища школа. Головное изд-во, 1987. – 375 с. 10. Клещёв А.С. Модель онтологии предметной области «медицинская диагностика». Ч. 2: Форма- льное описание причинно-следственных связей, причин значений признаков и причин заболеваний / А.С. Клещёв, Ф.М. Москаленко, М.Ю. Черняховская // НТИ. Сер. 2. – 2006. – № 2. – С. 19 – 30. Стаття надійшла до редакції 04.03.2013
id	nasplib_isofts_kiev_ua-123456789-84335
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1028-9763
language	Ukrainian
last_indexed	2025-12-07T13:18:18Z
publishDate	2014
publisher	Інститут проблем математичних машин і систем НАН України
record_format	dspace
spelling	Мельникова, Н.І. Стебліна, К.В. 2015-07-06T16:10:17Z 2015-07-06T16:10:17Z 2014 Особливості проектування систем підтримки лікувальних рішень / Н.І. Мельникова, К.В. Стебліна // Математичні машини і системи. — 2014. — № 1. — С. 92-100. — Бібліогр.: 10 назв. — укр. 1028-9763 https://nasplib.isofts.kiev.ua/handle/123456789/84335 004.652.4+004.827 Дана стаття висвітлює етапи моделювання, визначення методу та механізму проектування лікувальних систем прийняття рішень, що дає змогу підвищити ефективність виконання поставлених завдань при розробці систем такого типу. Данная статья освещает этапы моделирования, определения метода и механизма проектирования лечебных систем принятия решений, что позволяет повысить эффективность выполнения поставленных задач при разработке систем такого типа. This article highlights the stages of modeling, method identification and mechanism designing of medical decision support systems, which allows increasing the efficiency to perform the tasks in the systems development of this type. uk Інститут проблем математичних машин і систем НАН України Математичні машини і системи Інформаційні і телекомунікаційні технології Особливості проектування систем підтримки лікувальних рішень Особенности проектирования систем поддержки лечебных решений Design features of medical decision support systems Article published earlier
spellingShingle	Особливості проектування систем підтримки лікувальних рішень Мельникова, Н.І. Стебліна, К.В. Інформаційні і телекомунікаційні технології
title	Особливості проектування систем підтримки лікувальних рішень
title_alt	Особенности проектирования систем поддержки лечебных решений Design features of medical decision support systems
title_full	Особливості проектування систем підтримки лікувальних рішень
title_fullStr	Особливості проектування систем підтримки лікувальних рішень
title_full_unstemmed	Особливості проектування систем підтримки лікувальних рішень
title_short	Особливості проектування систем підтримки лікувальних рішень
title_sort	особливості проектування систем підтримки лікувальних рішень
topic	Інформаційні і телекомунікаційні технології
topic_facet	Інформаційні і телекомунікаційні технології
url	https://nasplib.isofts.kiev.ua/handle/123456789/84335
work_keys_str_mv	AT melʹnikovaní osoblivostíproektuvannâsistempídtrimkilíkuvalʹnihríšenʹ AT steblínakv osoblivostíproektuvannâsistempídtrimkilíkuvalʹnihríšenʹ AT melʹnikovaní osobennostiproektirovaniâsistempodderžkilečebnyhrešenii AT steblínakv osobennostiproektirovaniâsistempodderžkilečebnyhrešenii AT melʹnikovaní designfeaturesofmedicaldecisionsupportsystems AT steblínakv designfeaturesofmedicaldecisionsupportsystems

Особливості проектування систем підтримки лікувальних рішень

Institution

Similar Items