Кибернетические методы в гинекологии

29.08.2011 1394 0.0 0

Кибернетические методы нашли за последние годы применение в самых различных областях науки и техники, в том числе и в медицине. Напомним, что, по определению Н. Винера, кибернетика – это отрасль знаний, занимающаяся установлением общих принципов и законов управления объектами различной природы для достижения определенных целей на основе получения, передачи, переработки и использования информации. При этом объекты управления могут принадлежать как к живой, так и к неживой природе.

Следует отметить, что термин «кибернетический» часто необоснованно применяют для обозначения любых методов, связанных с количественной оценкой процессов, протекающих в организме, особенно если имела место последующая обработка результатов измерений на электронных цифровых вычислительных машинах (ЭЦВМ). Между тем, сам по себе факт применения ЭЦВМ еще ни о чем не говорит. Задолго до появления кибернетики как самостоятельной научной дисциплины, т. е. до 1948 г., существовала медицинская статистика в виде самостоятельной ветви общей статистики. При этом, естественно, производились вычисления эмпирических оценок вероятностей различных событий, математических ожиданий, средних квадратических отклонений и т. д. Простой перевод подобных вычислений на ЭЦВМ нельзя считать применением кибернетических методов.

Применение кибернетических методов в гинекологии

Для кибернетики определяющее значение имеют два понятия – «информация» и «алгоритмизация», к рассмотрению которых мы и   переходим.   В   широком   смысле   слова   информация – это   те сведения об окружающем мире, которые могут быть получены в результате взаимодействия с ним. В гинекологической практике это все результаты наблюдений и исследования больных. В соответствии   с   определением   кибернетики   возможно   распространение рассматриваемых  принципов  на  методы  получения  информации о состоянии больной (определение диагностической ценности различных   анализов,   симптомов,    выбор   целесообразной   частоты осмотров,   обоснование  необходимых   требований  в   смысле   точности к диагностической аппаратуре и т.  п.),  методы передачи в  смысле   хранения  информации,   в  частности  при  наблюдении больной несколькими специалистами или одним врачом в   течение длительного времени, а также на методы переработки информации и принятия решения (например, при машинной диагностике). Для выяснения суждения в пользу того или иного диагноза необходимо некоторое количество информации.  Недостаток информации приводит к некомпетентному решению. Однако с точки зрения общих закономерностей кибернетики чрезмерное количество информации также   вредно.   При   этом полезная информация «тонет» в  массе второстепенных (подчас почти ненужных) сведений, в результате чего  возрастает  вероятность  неправильного   решения.   В   то  же время   некоторое   количество   избыточной   информации   полезно для предотвращения возможных ошибок при проведении анализов и передаче сообщений (например,  благодаря сопоставлению данных повторных исследований). Мысль о существовании некоторого оптимального количества информации для принятия решения была, видимо, впервые высказана академиком В. А. Трапезниковым на I Всесоюзной конференции по оперативному управлению  в  1963  г.  Данная  проблема  не  имеет  единого  решения для всех областей применения кибернетики. В каждой области науки имеется своя специфика этого вопроса. Применительно к диагностике ряда гинекологических заболеваний этот вопрос может быть отнесен к актуальным, еще не решенным проблемам.

Другим важнейшим аспектом кибернетического подхода к проблемам гинекологии является алгоритмизация. Алгоритмом называется совокупность математических и логических правил, по которым протекают процессы в объекте. Любой объект живой или неживой природы может быть описан с помощью модели. Естественно, что для биологических объектов сложность модели, как правило, гораздо больше, чем для технических средств. Отсюда вытекает и большая вероятность ошибки в смысле неадекватности модели объекту. Однако другого пути у исследователя, по существу, нет. Любой врач, знакомясь с больной, составляет в уме предположительную картину течения заболевания, т. е. как бы создает модель процесса, происходящего в живом организме. Процесс диагностики представляет собой последовательность логических выводов и заключений, благодаря чему уместно говорить об алгоритме диагностики. Именно поэтому удается передоверить многие диагностические функции ЭЦВМ. В гинекологии, как и во всех других отраслях медицины, автоматическая диагностика играет вспомогательную роль. Следует ожидать, что уже в ближайшее время произойдет столь существенный сдвиг в этой области, что кибернетические методы будут по меньшей мере конкурентоспособны с традиционными методами диагностики. Прежде всего подобная картина должна произойти при массовых профилактических обследованиях населения, так как подобные крайне необходимые мероприятия весьма трудоемки.

С точки зрения кибернетики процедура диагностики относится к группе методов, называемых опознаванием образов. При этом по совокупности косвенных признаков (симптомов) выносится решение о принятии некоторой гипотезы из априорно предопределенного набора возможных заболеваний; Таким образом, гипотеза подобного рода является многоальтернативной. Возможные ответы машины предполагают в качестве одного из вариантов также и отказ от диагностики. Условные плотности вероятностей различных значений анамнеза и результатов наблюдений объективных проявлений разных заболеваний определяют возможность ошибок первого и второго рода, т. е. приписывания данной больной некоторого патологического процесса, в то время как объективно она не страдает этим недугом (ошибка первого рода), или неустановления реально протекающего у данной больной заболевания (ошибка второго рода). Процедура автоматической диагностики на ЭЦВМ может строиться либо на основе классического статистического анализа с фиксированным объемом выборки, либо с использованием последовательного анализа, т. е. путем накопления дополнительных данных в процессе «диалога» ЭЦВМ с  человеком в  ходе установления  диагноза.

Весьма полезными оказываются кибернетические методы и в задачах усовершенствования здравоохранения, в частности при организации гинекологического обслуживания населения. За последнее время развилась и получила широкое распространение такая область математики, как теория массового обслуживания. В основе этой дисциплины лежит изучение прохождения по разным каналам обслуживания потоков случайных заявок. При этом требуется гарантировать заданное количество обоснованных требований в смысле некоторого критерия, например времени ожидания в очереди, вероятности необслуживания заявки и т. д. Подобные задачи характерны для столь различных областей, как работа телефонных станций, предприятий бытового обслуживания, всех видов транспорта, системы противовоздушной обороны и т. д.

В вопросы усовершенствования здравоохранения входят такие задачи, как решение проблемы расчета целесообразной сети женских консультаций, гинекологических отделений больниц и родильных домов, необходимого количества коек и многое другое. Эти вопросы также должны решаться на основе этой теории, причем научно обоснованный подход представляется необходимым в самом ближайшем будущем.

Конкретные данные о применении ЭЦВМ (или сокращенно ЭВМ), показывающие существенные преимущества в диагностике различных видов патологии матки и ее придатков (главным образом опухолевых образований), в первую очередь в распознавании злокачественных новообразований, приведены в соответствующих главах VIII раздела настоящего руководства («Дифференциальная диагностика заболеваний матки и опухолей яичников»).

Имеющиеся достижения в области применения кибернетических методов в гинекологии представляются пока еще весьма скромными. Однако, учитывая быстрый прогресс всех технических наук, следует ожидать значительного развития данного направления, особенно по мере увеличения числа находящихся в эксплуатации в медицинских учреждениях ЭЦВМ, внедрения новых машин третьего «поколения» со значительным увеличением машинной «памяти» и с соответствующей подготовкой необходимых специалистов.

Как справедливо подчеркивают Л. С. Персианинов и соавт. (1973), ЭВМ нашли широкое применение не только для решения таких медицинских задач, как диагностика заболевания, прогнозирование и выбор оптимального плана лечения и т. д., но и в целях поисков информации и подбора литературы, математического моделирования различных систем организма и др. В настоящее время, как упоминают указанные авторы, созданы и успешно используются программы математической диагностики с помощью ЭВМ по различным классам заболеваний в Институте хирургии АМН СССР им. А. В. Вишневского, в институте онкологии им. П. А. Герцена, в Институте сердечно-сосудистой хирургии им. А. Н. Бакулева АМН СССР и др. Созданная в указанном Институте хирургии универсальная система состоит из 2 частей: 1) универсальной, включающей диагностический алгоритм, т. е. определенный порядок операций, выполняемых машиной, и 2) таблицы медицинской «памяти», содержащей статистические данные о частоте признаков при каждом из рассматриваемых заболеваний; подобная таблица необходима для разработки конкретного вида патологии.

Упомянутый алгоритм позволяет на основе таблицы медицинской «памяти» вычислить вероятность возможных при данном симптомокомплексе заболеваний, что существенно облегчает принятие диагностического решения. Логико-вычислительные процессы диагностического мышления построены так, что они не зависят от конкретного содержания медицинской «памяти». Это обеспечивает универсальность подобной структуры. Переход от диагностики одного класса заболеваний к другому сводится, по существу, только к замене одной ленты (массива перфокарт) другой, которая несет в себе медицинскую «память» определенного класса заболеваний.

По инициативе Л. С. Персианинова аналогичная система использования ЭВМ для диагностики опухолей и опухолевидных образований внутренних половых органов женщин была перенесена во Всесоюзный научно-исследовательский институт акушерства и гинекологии МЗСССР. Как показал клинический опыт, многочисленные весьма разнообразные современные методы исследования (эндоскопические, гистологические, биохимические, гормональные, рентгенологические и даже ультразвуковая и радиоизотопная диагностика) далеко не всегда дают возможность установить точный диагноз, между тем как точная дооперационная диагностика нередко необходима (особенно при наличии неустановленной опухоли) для выбора наиболее рационального метода лечения. На основании неотложных задач диагностики все гинекологические заболевания, подлежащие распознаванию с помощью ЭВМ, были разделены на 4 класса, а именно: I класс – опухоли и опухолевидные образования тела матки; II класс – небластоматозные опухолевидные образования придатков матки; III класс – доброкачественные опухоли придатков матки; IV класс – злокачественные опухоли придатков матки. Важность правильного решения перечисленных категорий заболеваний не требует дополнительных объяснений. Нозологические формы патологических процессов определялись с учетом их значения для клиники и трудностей диагностики. Помимо перечня заболеваний, подлежащих машинной диагностике, крайне важно было установить априорную вероятность развития каждого из них, т. е. удельный вес или распространенность каждого из заболевании среди включенных в «память» машины нозологических форм при отборе симптомов, отмечаемых на перфокартах, учитывали наиболее информативные признаки.

Весьма важен вопрос об информативной ценности испытания отмеченных признаков в целом (М. Л. Быховский и А. А. Вишневский), что имеет особое значение для оптимальной структуры медицинской «памяти» – системы, создаваемой на вышеуказанном принципе для наиболее обоснованной последовательности изучения признаков в процессе диагностики заболевания в каждом конкретном случае.

Составленный во Всесоюзном институте акушерства и гинекологии МЗ СССР список симптомов включает в себя около 225 признаков, получаемых при сборе анамнеза, осмотре и пальпации (91 признак), влагалищном или ректальном исследовании (49 признаков), лабораторных исследованиях (25 видов) и других способах (зондирование полости матки – 4; исследования с помощью ультразвука – 4; рентгенологические исследования – 25, в условиях пневмоперитонеума – 20, гистеросальпингография – И; гистероскопия – 5; эндоскопия – 7; диагностическое выскабливание эндометрия и т. п. – 7).

Следует подчеркнуть, что введенные в медицинскую «память» машины признаки сформулированы так, что относительно каждого из них возможен лишь положительный или отрицательный ответ. На основе отобранных признаков разработана стандартная карта обследования, в которую вносились полученные у больной данные. Главную часть работы по созданию диагностической системы составила разработка таблицы медицинской памяти; содержание таблицы составляют числа, характеризующие частоту   выявления данного признака при каждом заболевании.

Отличительной особенностью медицинской «памяти» для диагностики опухолей и опухолевидных образований матки и придатков является то, что она состоит из 4 таблиц, причем для каждого класса заболеваний имеется своя таблица, содержащая в себе исходную информацию, позволяющую установить не только вероятность одной из нозологических форм, но и возможность отсутствия у больной заболевания данного класса.

Основным материалом для заполнения таблиц медицинской «памяти», как указывает Л. С. Персианинов, послужили статистические данные, полученные в результате обработки архивного материала (около 1000 историй болезни с окончательно установленным диагнозом). Что касается тех случаев, когда для оценки симптомов архивный материал оказался недостаточным, то были использованы литературные данные и личный опыт специалистов Института акушерства и гинекологии МЗ СССР. Примененный в указанном институте алгоритм был существенно модифицирован по сравнению с алгоритмами, примененными ранее для машинной диагностики пороков сердца, причин механических желтух и других видов патологии, использованных в институтах хирургии, онкологии, сердечно-сосудистой патологии и др.

Процесс диагностики с помощью ЭВМ технически проводится следующим образом. По мере обследования больной одновременно с историей болезни заполняется специально разработанная карта, данные с которой после проверки логической правильности заполнения переносятся по специальному коду на перфокарты. На перфокартах зашифрованы таблицы медицинской «памяти» и программа для ЭВМ (т. е. диагностический алгоритм), которые вводят в машину вместе с симптоматикой больной. При постановке диагноза ЭВМ логико-вычислительный процесс состоит из нескольких частей: детерминистской и вероятностной логики и метода фазового интервала. На первом этапе исключаются те заболевания, которые несовместимы с обнаруженными у больной признаками, что в таблицах медицинской «памяти» обозначается цифрой «О» и, наоборот, при наличии симптомов, всегда обнаруживающихся при данном заболевании, машина обозначает их цифрой «100%». На этапе вероятностной логики ЭВМ вычисляет вероятность оставшихся в каждом классе заболеваний, возможных при данном наборе признаков. Благодаря проводимой машиной проверке результатов вероятности путем вычисления по методу фазового интервала удается установить понятие расстояния между анализируемым клиническим случаем и различными заболеваниями в фазовом пространстве признаков. Благодаря использованию всех 4 классов машинной «памяти» удается со значительной точностью отметить вероятность тех или иных заболеваний. В частности, при машинной диагностике клинического материала с верифицированным диагнозом, перенесенным на перфокарты и обработанным на ЭВМ с целью получения машинного диагноза, класс заболевания был правильно определен в 91,3% случаев, причем нозологическая форма была точно указана в 77,1%. В процессе же клинического обследования класс заболевания был правильно определен у 69,1% больных, а нозологическая форма – только у 50,1%.

К машинной диагностике приступали только после проведения у больной минимального объема исследований, куда входили сбор анамнеза, осмотр, влагалищное или ректальное исследование и клинический анализ крови. Подобной информации оказалось достаточно у 70% больных для достижения порога одного из заболеваний в каждом классе и установления диагноза. Если же диагностический порог не был достигнут ни при одном из заболеваний данного класса, то машина автоматически указывала, какие еще исследования имеют наибольшее дифференциально-диагностическое значение в данной ситуации. Проведение указанных машиной дополнительных исследований и критический пересмотр результатов проведенных ею ранее способствовали тому, что вероятность заболеваний в каждом классе превышала ее первоначальный «порог» и машиной печатался окончательный диагноз. На основании обследования с помощью ЭВМ 376 больных была доказана высокая эффективность рассмотренной дооперационной диагностической системы и перспективность ее применения в клинике.


Читайте также:
Комментарии
Имя *:
Email *:
Код *: