Система поддержки принятия врачебных решений в медицинской диагностике на основе байесовских сетей
- Авторы: Леваньков Б.В.1, Выборов Е.М.1, Яковенко Н.И.1
-
Учреждения:
- ФГБВОУ ВО «Военно-медицинская академия имени С. М. Кирова» МО РФ
- Выпуск: Том 39, № 4 (2020)
- Страницы: 39-43
- Раздел: Оригинальные исследования
- URL: https://journal-vniispk.ru/RMMArep/article/view/52782
- DOI: https://doi.org/10.17816/rmmar52782
- ID: 52782
Цитировать
Полный текст
Аннотация
Современный уровень развития медицинской науки предоставляет в распоряжение лечащего врача тысячи разнообразных диагностических и лечебных методик, лекарственных средств. В их практическом применении врачу-клиницисту приходится учитывать самые различные факторы: показания и противопоказания методики или способа лечения, особенности пациента и течения заболевания, совместимость или усиление влияния тех или иных методов обследования, лекарственных препаратов друг на друга, индивидуальную лекарственную непереносимость и противопоказания у пациента. Все это держать в памяти и принимать безошибочные, правильные и своевременные решения становится сложнее. Причем ситуация стремительно усугубляется тем, что объем знаний в медицине растет лавинообразно, а время на принятие врачом соответствующего решения при постановке диагноза не увеличивается. В связи с этим возникает вопрос о создании системы, позволяющей минимизировать время для принятия врачом решения о наличии того или иного заболевания.
Цель: разработать систему поддержки принятия врачебных решений при диагностировании пациентов на основе байесовских сетей.
Результаты. Рассмотрен вариант системы поддержки принятия врачебных решений при постановке диагноза простуды, гриппа и коронавируса. Предложена модель байесовской сети с помощью ПО «GeNIe Academic». Получены результаты процентных соотношений возможных заболеваний пациента на основе имеющихся симптомов.
Заключение. Рассмотренный в статье подход к построению системы поддержки принятия решений призван оказывать помощь врачам при постановке диагноза пациенту на основе его анамнеза. Следует отметить, что построенная байесовская сеть может быть модифицирована путем добавления иных симптомов с их условными вероятностями и корректировки имеющихся после экспертной оценки (6 рис., библ.: 6 ист.).
Полный текст
Открыть статью на сайте журналаОб авторах
Богдан Викторович Леваньков
ФГБВОУ ВО «Военно-медицинская академия имени С. М. Кирова» МО РФ
Email: bogdan.levankov@gmail.com
ORCID iD: 0000-0002-6293-4330
SPIN-код: 4527-2307
оператор научной роты
Россия, г. Санкт-ПетербургЕвгений Михайлович Выборов
ФГБВОУ ВО «Военно-медицинская академия имени С. М. Кирова» МО РФ
Email: vyborov.99@mail.ru
SPIN-код: 2293-2790
оператор научной роты
Россия, г. Санкт-ПетербургНикита Игоревич Яковенко
ФГБВОУ ВО «Военно-медицинская академия имени С. М. Кирова» МО РФ
Автор, ответственный за переписку.
Email: nikitayakovenko@hotmail.com
ORCID iD: 0000-0003-4007-1957
SPIN-код: 7441-6164
Scopus Author ID: 1010300
оператор научной роты
Россия, г. Санкт-ПетербургСписок литературы
- Гусев А.В., Зарубина Т.В. Поддержка принятия врачебных решений в медицинских информационных системах медицинской организации // Врач и информационные технологии. 2017. № 2. С. 60–72.
- Звягин Л.С. Метод байесовских сетей и ключевые аспекты байесовского моделирования // Материалы международной конференции по мягким вычислениям и измерениям. 2019. Т. 1. С. 30–34.
- Айвазян С.А. Байесовский подход в эконометрическом анализе // Прикладная эконометрика. 2008. № 1 (9). С. 93–108.
- MacKay D.J.C. Information Theory, Inference, and Learning Algorithms. Cambridge: Published by Cambridge University Press, 2003. 640 p.
- Ветров Д.П., Кропотов Д.А. Алгоритмы выбора моделей и синтеза коллективных решений в задачах классификации, основанные на принципе устойчивости. М.: URSS, 2006.
- Прокопчина С.В., Федичкин А.И. Применение байесовских интеллектуальных технологий для оценки интегральных показателей // Сборник докладов Международной конференции по мягким вычислениям и измерениям. 2006. С. 20–22.
Дополнительные файлы
