ДИАГНОСТИКА МАШИННАЯ (греч, diagnostikos способный распознавать) — использование вычислительных методов и вычислительной техники для постановки диагноза. Д. м. применяется тогда, когда использование вычислительных методов и техники позволяет ставить диагноз более надежно или более оперативно по сравнению с традиционными методами (см.) на основании тех же (или меньшего числа) данных о больном. Значение Д. м. состоит также в том, что при составлении диагностических программ четко и явно формализуются представления о механизме развития и течения болезни. В 60—70-х гг. 20 в. Д. м. постепенно внедряется в практику в научно-исследовательских учреждениях клин, профиля и крупных леч.-проф, учреждениях.

В современной Д. м. можно выделить два основных направления. Первое связано с попытками заложить в диагностическую программу формализованные представления о правилах постановки диагноза. Такие программы составляются с участием ведущих специалистов соответствующих областей медицины и предполагают обычно реализацию на ЭВМ алгоритмов логической обработки множества данных о больном с целью установления диагноза (см.). Однако невозможность полной формализации процесса установления диагноза человеком, а также неспособность программ изменять принцип своей работы по мере накопления опыта привели к тому, что работы этого направления нашли лишь ограниченное применение.

Второе направление Д. м. связано с использованием так наз. обучающихся программ. Суть «обучения» в данном случае состоит в обработке и анализе массива историй болезни с указанным диагнозом и выработке на этой основе алгоритма, позволяющего ставить диагноз в каждом конкретном случае (так наз. решающее правило), к-рое в дальнейшем используется для установления диагноза и в случаях, не использовавшихся при обучении. По мере накопления новых данных решающее правило может изменяться. Обучающиеся программы в процессе выработки решающего правила часто позволяют оценить диагностическую значимость различных симптомов и синдромов и, в частности, существенно сократить число требуемых данных о больном. Это позволяет в ходе работы ставить диагноз более оперативно или с меньшими затратами. В зависимости от сложности решающего правила можно выделить две группы обучающихся диагностических программ. В программах первой группы использование ЭВМ необходимо только на стадии выработки решающего правила. Само же решающее правило может быть выражено в виде диагностической таблицы или формулы и может в дальнейшем использоваться без применения ЭВМ, вручную или с использованием относительно простых аналоговых и электромеханических устройств. Такой путь значительно расширяет возможности Д. м., поскольку позволяет использовать ее в тех леч. учреждениях, где нет вычислительных центров или же их мощность недостаточна. В более сложных случаях решающее правило само представляет собой диагностическую программу и может использоваться только с применением ЭВМ. В качестве обучающихся программ в работах этого направления широко используются универсальные программы обучения (см.). Наиболее простые, но нашедшие широкое применение в Д. м. программы основаны на принципе Бейеса (см. Бейеса правило), который может быть эффективно использован только при предположении о независимости отдельных признаков (симптомов) заболевания или в случае нормально распределенных параметров. Вторая группа обучающихся программ основана на непосредственном выборе решающего правила по материалу обучающей последовательности. Такие программы выбирают из более или менее широкого класса решающих правил наилучшее по определенному критерию, чаще всего используется критерий минимума ошибок на материале обучения.

В советских и зарубежных работах широко используются линейные и кусочнолинейные решающие правила. Линейное решающее правило задается совокупностью весовых коэффициентов каждого симптома для каждого диагноза. Если обозначить через ?ij коэффициент симптома i для диагноза j, а значение симптома i-Xi (Xi = 1, если симптом есть, и Xi = 0, если его нет), то линейное решающее правило выбирает тот диагноз, для к-рого сумма (Xi x ?ij) достигает наибольшего значения. Обучающаяся программа, строящая линейное решающее правило, должна наилучшим образом подобрать коэффициенты ?ij. Совокупность таких коэффициентов образует простейшую диагностическую таблицу. Геометрически линейное решающее правило представляет собой разбивку пространства признаков на части, соответствующие различным диагнозам, с помощью многомерных плоскостей. Кусочно-линейные решающие правила разбивают пространство с помощью поверхности, составленной из нескольких таких плоскостей. Среди советских обучающихся программ этого типа в Д. м. широко используется система программ метода обобщенного портрета. Другие виды решающих правил используются в программах, основанных на принципе раздвигающей метрики Ю. И. Неймарка (1967), программах типа «Кора» М. М. Бонгарда и М. Н. Вайнцвайга (1962), программах нахождения информативных подпространств и др. Все эти программы нашли применение в Д. м.

Следует отметить, что для построения решающих правил для Д. м. отнюдь не достаточно применить соответствующую программу. Решение каждой задачи требует огромной предварительной обработки архивов историй болезни. Выполнить эту работу может только специалист. Кроме того, для успешного применения Д. м. требуется разработка формализованного описания состояния больного, а широкое распространение полученных решающих правил предполагает стандартизацию такого описания для различных леч. учреждений.

В ряде леч. учреждений методы Д. м. реализованы в виде диагностических систем, построенных на базе современной вычислительной техники. Наиболее перспективными являются системы, работающие в режиме диалога между машиной и врачом. В таких системах машина часто используется не только для постановки диагноза, но и для выбора оптимальной последовательности исследований больного, необходимых для постановки диагноза. Возможно различное разделение задач между машиной и человеком; напр., машина проводит анализ кривой ЭКГ, а окончательный диагноз ставит врач. Известны системы, где, напротив, человек анализирует рентгеновские снимки, а машина по полученному описанию ставит диагноз. Методы Д. м. используются также в системах непрерывного наблюдения за больным. При этом данные в машину поступают непосредственно с датчиков, установленных на больном.

В диагностических системах желательно использовать как можно большие массивы данных для обучения. Поэтому в леч. учреждениях создаются машинные архивы историй болезни. По мере унификации данных и улучшения связи между вычислительными центрами открывается возможность использовать при обучении весь материал, накопленный в различных леч. учреждениях.

Методы Д. м. в перспективе будут, видимо, развиваться в направлении создания настраиваемых моделей болезни, учитывающих как данные мед. науки и накопленный опыт, так и индивидуальные особенности больного. Усилится направленность этих методов на выбор оптимального лечения. Системы Д. м. будут включаться в общие информационно-управляющие системы леч. учреждений.

Д. м. получает все большее распространение в ряде областей медицины. В области хирургической диагностики в Ин-те хирургии им. А. В. Вишневского Д. м. применяют для решения ряда задач дифференциальной диагностики врожденных и приобретенных пороков сердца, тромбозов левого предсердия, острых заболеваний живота, заболеваний печени и желудка и др. В области диагностики раковых заболеваний методы Д. м. активно разрабатываются для комплексной диагностики раковых заболеваний пищеварительного тракта, легкого и ряда других органов. Такие работы ведутся, напр., в Онкологическом научном центре АМН СССР. В области диагностики сердечно-сосудистых заболеваний широко применяется Д. м. атеросклеротической стенокардии и предынфарктного состояния по клин, данным. Работы проводятся НИИ прикладной математики и кибернетики Горьковского ун-та совместно с рядом мед. учреждений Горького. Широкая работа в этой области ведется также в Каунасском мед. ин-те и в других учреждениях. В области диагностики нервных заболеваний ведутся работы в Минском государственном мед. ин-те и др. За рубежом методы Д. м. успешно применяются в ряде леч. учреждений США, Франции и Японии.

См. также.

Библиография Алгоритмы обучения распознаванию образов, под ред. В. Н. Вапника, М., 1973; Вапник В. Н. и Червонеякис А.Н. Теория распознавания образов, М., 1974, библиогр.; Вычислительная техника в физиологии и медицине, под ред. Е. Б. Бабского и В. В. Ларина, М., 1968; Даниленко С.И.идр. Возможности применения электронной вычислительной машины для клинико-рентгенологической дифференциальной диагностики рака и доброкачественного поражения пищевода, Вестн, рентгенол, и радиол., № 2, с. 36, 1971, библиогр.; Машинная диагностика и информационный поиск в медицине, под ред. А. А. Вишневского, М., 1969; H e й-марк Ю. И. и д р. Распознавание образов и медицинская диагностика, М., 1972, библиогр.

^

Источник: Большая Медицинская Энциклопедия (БМЭ), под редакцией Петровского Б.В., 3-е издание