Представление знаний и алгоритмическое обеспечение для медицины экстремальных ситуаций
Янковская А.Е.

Приведены описание проблемной области, основные принципы построения признакового пространства, матричное представление званий в виде матриц описаний, различений, переходов, а также математическая постановка и ключевые алгоритмы решения широкого спектра задач медицины в экстремальных ситуациях: диагностика; прогнозирование; проведение лечебнопрофилактических, сортировочных . и транспортноэвакуационных мероприятий; динамика; обучение и управление. Разработанные матричное представление знаний и алгоритмы оптимизирующих логикокомбинаторных преобразований в пространстве признаков основа создаваемой на базе методов распознавания образов многофункциональной динамической экспертной системы, реализуемой в языке Си на ПЭВМ IВМ PC/AT.

Одна из острейших мировых проблем, рассматриваемых ООН экстремальные ситуации: аварии, стихийные бедствия и катастрофы [1]. Оказание медицинской помощи пострадавшим в экстремальных ситуациях, как правило, сопряжено со сложными условиями, влияющими на ее организацию и проведение. В большинстве случаев эти условия включают следующие факторы: массовость и одновременность появления пострадавших с различными по характеру и степени тяжести поражениями; несоответствие потребности в силах и средствах здравоохранения, их наличию, усложнение санитарноэпидемической обстановки в районах бедствия; климатогеографические особенности; сложность управления силами и средствами здравоохранения в пострадавших районах.

Эффективность работы сил и средств здравоохранения зависит от их своевременной и достаточной мобилизации, доставки в район бедствия и рационального распределения. В указанных условиях решающее значение имеет правильная оценка обстановки и оперативность принятия решений [2, 3 ].

Создаваемые военные медицинские отряды, представляющие собой многопрофильные полевые госпитали, число которых к концу 1990 г. достигнет четырех [1J, смогут успешно начать лечебноэвакуационные мероприятия только будучи обеспеченными разнообразными техническими (в том числе и системами связи, ПЭВМ), материальными средствами и интеллектуальными системами. Цель разработки интеллектуальных систем, основанных на знаниях, заключается в оптимизации организации и проведения мероприятий по оказанию медицинской помощи при массовом появлении пострадавших.

Разрабатываемая интеллектуальная система является проблемно ориентированной динамической экспертной системой (ЭС), предназначенной для решения следующих задач: диагностика повреждений; медицинская сортировка; проведение лечебнопрофилактических мероприятий; прогнозирование; принятие транспортноэвакуационных решений; оценка медицинской обстановки в зоне экстремальных ситуаций (очаге потерь) и определение потребности в силах и средствах здравоохранения; определение объема медицинской помощи в распределении сил и средств по основным очагам возникновения пострадавших.

Оказание медицинской помощи в экстремальных ситуациях проводится поэтапно, с регламентацией сил и средств ее проведения. Этапом медицинской эвакуации называются силы и средства медицинской службы, развернутые на путях медицинской эвакуации с целью оказания медицинской помощи. Очаг потерь, по Определению, не является этапом медицинской эвакуации, однако разрабатываемая нами динамическая ЭС ориентирована и на решение задач (распознавание повреждений, лечебнопрофилактические мероприятия, прогнозирование, элементы сортировочного решения и эвакуационнотранспортные мероприятия) в пострадавшем районе с целью обучения санинструкторов и студентов оказанию помощи (не для применения ЭС в реальных условиях) и для принятия управленческих решений.

В дальнейшем в целях обеспечения общности описания моделей (представление знаний), постановок задач и алгоритмического обеспечения их решения очаг потерь будем относить к этапу медицинской эвакуации, присвоив ему 0-й номер.

Построение динамической ЭС обусловлено требованиями преемственности в оказании помощи пострадавшему на этапах медицинской эвакуации, наличием перемещений (пост, площадка, перевязочная, операционная, противошоковая и др.) в рамках рассматриваемого одного этапа и тем, что при оказании помощи не только набор, но и последовательность проводимых лечебнопрофилактических мероприятий оказывает существенное влияние на состояние пострадавшего, описываемое совокупностью значений признаков (симптомов). Под термином "симптом" обычно подразумевают объективный или субъективный признак болезни. В медицине понятия "симптом" и "признак" как отражение патологического процесса обычно являются синонимами. Термин "признак" более привычно использовать при описании ситуаций на управленческомуровне. В дальнейшем наличие признака (симптома) будем. понимать одинаково.

Анализ проблемной области показал целесообразность создания двухуровневой базы знаний (БЗ) и базы данных (БД): первый уровень связан с принятием управленческих и эвакуационнотранспортных решений, а второй уровень с принятием диагностических, прогностических, сортировочных, лечебнопрофилактических мероприятий. Поскольку между этими уровнями есть взаимная функциональная зависимость, то их нумерация носит условный характер. На каждом уровне БЗ и БД строятся по модульному типу с логической связью между собой модулей знаний и данных. Модульность определяется этапностью решения перечисленных задач, синдромным* подходом к диагностике повреждений и наличием разнородной (хирургической, терапевтической, управленческой) по типу информации большой размерности в рамках каждого этапа. По каждому такому модулю производится логический вывод, причем большинство модулей используют результаты логического вывода, полученные другими модулями.

Прежде чем перейти к представлению знаний, остановимся на технологических аспектах проведения тех или иных мероприятий. Наборы и последовательности мероприятий должны быть регламентированы требованиями единой медицинской доктрины катастроф. Необходимость принятия прежде всего управленческих решений по медицинскому обеспечению, затем проведение мероприятий по оказанию медицинской помощи, объем (полный или сокращенный) которой зависит от количества пострадавших и наличия сил и средств здравоохранения, обусловило наличие в БЗ наряду с описанием состояний пострадавших описание ситуаций (количество пострадавших, пункт оказания медицинской помощи, наличие медицинского имущества и транспортных средств, метеорологические и географические условия, вид поражений и степень их тяжести, уровень развития инфраструктуры и др.).

Управленческий уровень БЗ, относящийся в первую очередь к району бедствия, является "надстройкой", необходимой для принятия того или иного организационного решения: маневр объемом оказываемой медицинской помощи силами и средствами здравоохранения, организация взаимодействия с военномедицинской службой и т. п.

В основу построения каждого уровня БЗ, связанного с направлением принятия решения, положен структурноиерархический подход. Опишем более детально структуру знаний для уровня, связанного с принятием диагностического, прогностического, лечебнопрофилактического, сортировочного и эвакуационнотранспортного решений, заметив при этом, что некоторые компоненты этих решений, например, каким транспортом и когда вывозить, зависят и от решения управленческого уровня, что свидетельствует об упомянутой функциональной зависимости. На самом верхнем уровне иерархии знания делились по этапам оказания помощи. В рамках каждого этапа структуризация проводилась на основе синдромного подхода к диагностике повреждений. Синдромы были упорядочены по степени риска (асфиксия, обильное кровотечение, травматический шок и т. д.). В рамках синдрома построение диагноза производилось по патогенетическому принципу, с учетом этиологии болезни и анатомической локализации процесса, а сам диагноз описывался совокупностью наборов значений переменных.

Допустимые значения переменных принадлежали вполне обозримым областям, позволяющим произвести разбиение области значений отдельно взятой переменной на конечное число непересекающихся интервалов, т. е. расщепить переменные на признаки (симптомы), количество которых для каждой переменной равно числу интервалов разбиения.

Так, переменная "общее состояние" имеет 4 признака: 1 "удовлетворительное"; 2 "средней тяжести"; 3 "тяжелое"; 4 "крайне тяжелое".

Переменная "пульс" включает 9 признаков: 1 - "отсутствие пульса; 2 - "пульс на лучевой артерии или сонной"; 3- "до 40 в мин (брадикардия); 4 - "61 - 80 в мин (нормальный)"; 5 - "81 - 90 в мин, (учащенный)"; 6 - "90 -100 в мин (тахикардия)"; 7 - "101 - 120 в мин (тахикардия с нарастающей сердечной недостаточностью)"; "121 - 140 в мин (прогрессирующая сердечная недостаточность) "; 9 - "свыше 140 в мин".

Попадание реального значения переменной в некоторый интервал говорит о наличии соответствующего признака и кодируется при реализации ЭС "1", а значения остальных "0". Если значения некоторых признаков для какихлибо описаний состояний неизвестны, то используется дополнительное значение "прочерк" и соответствующие признаки кодируются символом "-".

Возможность расщепления переменных на признаки с наличием ведущего (направляющего, определяющего) признака и расщепление переменной на такие признаки, что при описании объекта (ситуации) только один принимает истинное значение ("1"), позволяет резко сократить процесс приобретения, анализа и обработки знаний. Ведущий признак ставится на 1е место и, если он принимает значение "1", то при приобретений знаний автоматически предусмотрен переход на следующую переменную. Однако часть переменных, например, "кашель надсадный", "кашель редкий", "кашель с мокротой", "кожа сухая", "кожа холодная", "шум трения плевры" и т. д. целесообразно, исходя из медицинской семантики и реализации диалоговой и объяснительной компонент ЭС, объединять в так называемые групповые переменные, каковыми, например, являются жалобы, осмотр, пальпация, перкуссия, аускультация и т. д.

В групповые переменные, являющиеся функциями от многих переменных, следует объединять переменные, каждая из которых, как правило, расщепляется на небольшое количество признаков. При этом функция, описывающая диагноз, представляется декомпозицией функций. Расщепление же групповых переменных на признаки приводит при описании состояния организма к наличию одновременно нескольких признаков, принимающих истинное "значение. Например, при описании групповой переменной жалобы "боль в груди" может быть при дыхании, движении тела и при кашле, а кожа может быть сухая и холодная. Таким образом, на полном множестве признаковZ={i, j,..} задано разбиение, число классов которого равно числу переменных. Каждое разбиение состоит из признаков, на которые расщепляется соответствующая переменная. На множестве переменных и множестве признаков для каждой переменной задается частичный порядок. Считается, что если i < j (а < b), то признак i (переменная а) характеризует менее тяжелое состояние организма, чем признак j (переменная b). Каждый поврежденный описывается подмножеством в Z.

Подходящим формализмом для описания диагноза, синдрома в пространстве признаков служит дизъюнктивная нормальная форма, а описание состояния организма в конкретный момент представляется элементарной конъюнкцией, содержащей не более одного признака, порождаемого переменной, и несколько признаков, порождаемых групповой переменной. При программной реализации конъюнкция представляется интервалом в булевом пространстве признаков, а синдром, диагноз совокупностью интервалов.

Описанная проблемная область и основные принципы построения признакового пространства позволяют перейти к представлению знаний для решения широкого спектра задач медицины экстремальных ситуаций: диагностика; прогнозирование; проведение лечебнопрофилактических, сортировочных и транспортноэвакуационных мероприятий; динамика; обучение и управление.

В теории экспертных систем достаточно развиты способы представления знаний. Тем не менее разработка новых форм представления знаний и логического вывода является весьма актуальной в области искусственного интеллекта, в частности, при реализации механизма принятия решений в многофункциональных ЭС, к каковым принадлежит и ЭС в области медицины экстремальных ситуаций. К одному из перспективных направлений для создания ЭС относится применение методов распознавания образов с обучением. Объясняется это тем, что большинство вопросов, связанных с анализом ситуаций на основе некоторых априорных знаний и поступающих текущих данных, сводится к решению задач распознавания образов.

Предлагаемый в этом плане, подход отличается от известных формализмом представления знаний в виде матриц описаний, различений и переходов, постановкой задач распознавания, а также применяемым математическим аппаратом для их решения. Это в совокупности позволяет унифицировать на базе предложенных нами оптимизирующих логикокомбинаторных преобразований в пространстве признаков анализ модулей БЗ на непротиворечивость и безызбыточность, формирование минимальных (оптимальных) модулей БЗ, построение решающих правил и алгоримов принятия решений на основе собственно распознавания с использованием , разных стратегий в зависимости от размытости (неточности) знаний, а также с учетом различных механизмов классификации, связанных как с мнением различных экспертов, так и с различными направлениями принятия решений на этапах медицинской эвакуации. Кроме того, предлагаемый аппарат оптимизирующих логикокомбинаторных преобразований позволяет единообразить ключевые алгоритмы, пригодные для решения задач диагностики, сортировки, прогнозирования, управления и других, и учесть весовые коэффициенты признаков, точность измерения последних и ошибки в исходных данных, допускаемые экспертами или пользователями ЭС, а также обеспечить качество принимаемых решений в соответствии с задаваемым пороговым значением точности распознавания.

В зависимости от решаемой задачи модуль БЗ состоит из разного числа компонент. Наименьший модуль знаний представляется матрицей описаний и различений, а наибольший несколькими матрицами описаний, различений и переходов. Опишем каждую из матриц, предварительно отметив, что заполнение их производится высококвалифицированными экспертами медицины экстремальных ситуаций.

Матрица описаний содержит описания (состояния) объектов (пострадавших, подразделений) для фактуальных знаний и условия (наборы требований к ситуациям) для процедурных знаний, а матрица различений содержит реакцию системы на это состояние или описание тех действий, которые надо произвести, если ситуация удовлетворяет этим требованиям. Матрица переходов, характеризующая изменение состояния объекта, ситуации, принимаемых решений в зависимости от тех или иных воздействий, в качестве которых могут выступать время, лечебнопрофилактические мероприятия, внешние факторы, обстановка или комбинации их значений, отражает динамику процесса и используется для реализации обучения, мониторинга, прогнозирования, управления. Эта матрица аналогична матрице переходов дискретного автомата, в то время как матрица описаний аналогична матрице кодирования состояний автомата, а матрица различений матрице выходов автомата [4,5 ].

Строки матрицы описаний сопоставляются объектам, включенным в обучающую выборку, столбцы признакам, задающим описания рассматриваемых объектов. Элементы матрицы описаний представляют собой значения признаков, характеризующие выбранные объекты.

Строки матрицы различений сопоставляются объектам (условиям, ситуациям), описания которых размещены в одноименных строках матрицы описаний, а столбцы уровням различений, характеризующим разные разбиения объектом на классы эквивалентности.

Элемент матрицы различений задает класс (действие, заключение), к которому принадлежит рассматриваемый объект при данном уровне различения. Если имеется только один вариант разбиения, матрица различений преобразуется в столбец. Один или несколько классов могут задавать отрицательный эталон "область запрета" (например, антисиндром, невозможность тех или иных ситуаций и т. д.). Заметим, что "область запрета", представленная в матрице описаний одним или несколькими интервалами, может быть сообщена экспертом и в дальнейшем дополнена из анализа БЗ.

Учитывая специфику решаемых задач, вводится 3 типа матриц различения: 1-й служит для формирования диагноза, 2-й для решения задач, сводящихся к классификационным, 3-й для реализации действий и взаимосвязей модулей данных и знаний. На множестве столбцов матриц различения 1-го типа, сопоставляемым уровням различения, а качестве которых могут выступать различные механизмы классификации объектов данной природы, задается частичный порядок. Для матриц различений 2-го типа уровни различения могут быть связаны с мнением различных экспертов, с различными независимыми механизмами классификации или для которых зависимость не имеет существенного значения и может не учитываться. Столбец матрицы различений 3-го типа отражает действие, связанное с внутриэтапным или междуэтапным перемещением поврежденного и (или) активизацию того или иного модуля данных или знаний.

Строки матрицы переходов сопоставляются описаниям объекта, ситуациям, размещенным в соответствующих строках матрицы описаний, а столбцы некоторым воздействиям. Элементом матрицы переходов служит состояние объекта или принимаемое решение в анализируемой ситуации.

Описанное матричное представление модулей БЗ удачно согласуется с предложенным алгоритмическим обеспечением. Поскольку рамки статьи не позволяют изложить все алгоритмы, остановимся на ключевых, предварительно дав постановку решаемых задач. Основными задачами при построении модулей БЗ являются следующие: анализ на непротиворечивость, безызбыточность, наличие отрицательного эталона и устойчивых признаков, оптимизация модулей БЗ, построение решающих правил, принятие и обоснование решений.

Поскольку далее все выкладки касаются модулей БЗ, то без потери общности наряду с термином "модуль БЗ" будем употреблять термин "БЗ".

Будем считать БЗ противоречивой, если одинаковым строкам матрицы описаний сопоставлены различные строки матрицы различений.

Содержательно условие противоречивости означает принадлежность одинаковых по описаниям объектов разным классам при фиксированном уровне различения, т. е. из одинаковых условий (ситуаций) следуют разные выводы (заключения).

БЗ является безызбыточной только тогда, когда при удалении любого признака (столбца матрицы описаний) она становится противоречивой.

Признак будем называть константным, если он принимает значение " 1 ("О") для всех объектов (ситуаций, условий), представленных матрицей описаний.

Если признак будет принимать константное значение для объектов одного класса, то такой признак будем называть константным 1го рода.

Будем называть устойчивым 1-го рода такой признак, который принимает одинаковое ("1" или "О") значение для всех объектов одного класса и противоположное("0" или "1") для всех объектов остальных классов.

Будем называть устойчивым 2-го рода такой признак для пары классов, который при фиксированном уровне различения принимает 1-е (0е) значение для всех объектов одного класса и 0-е (1-е) для всех объектов другого класса.

Задача поиска отрицательного эталона весьма затруднительна, поэтому предлагается отыскание по матрице описаний только такого элемента отрицательного эталона, который представляет собой интервал булева пространства, состоящий из константных признаков. Константные признаки 1го рода могут быть использованы при построении отрицательного эталона для каждого класса в отдельности.

Сокращение объема модулей БЗ с целью построения решающих правил осуществляется за счет минимизации (оптимизации) признакового пространства и сжатия описаний в полученном решении.

Задача минимизации признакового пространства в зависимости от класса решаемых задач заключается в нахождении минимального подмножества признаков, обеспечивающего различимость объектов (ситуаций, условий) из разных классов для фиксированного уровня различения либо для каждого из уровней различений. Для матриц различений 1го типа принята стратегия последовательного уточнения решения в процессе продвижения по уровням различения, причем на каждом уровне различения должна быть построена система минимальных подмножеств (диагностических тестов), максимально покрывающая исходное признаковое пространство. Для ряда практических приложений достаточно получать близкие к минимальным решения, а систему искомых подмножеств строить лишь для последнего уровня различения.

Если признаки взвешены, то задача оптимизации признакового пространства заключается в нахождении оптимального по суммарному весу подмножества признаков, обеспечивающего различимость объектов, указанных в задаче минимизации.

Если необходимо учитывать ошибки в описаниях объектов, ситуаций, условий, то может стоять либо задача минимизации, либо оптимизации с учетом числа ошибок, не превосходящего заданного порога. Следует отметить, что признаки могут быть измерены с заданной точностью. В этой ситуации задача тоже сводится к оптимизации признакового пространства.

Для хорошо структурируемых областей построение решающих правил заключается в формировании сжатого описания классов путем использования только тех признаков, которые входят в искомое минимальное (оптимальное) подмножество и максимального слияния по ряду критериев описаний объектов, сохраняющего различимость классов.

Для плохо структурируемых областей построение решающих правил производится для каждого диагностического теста в отдельности.

Принятие решений, являющееся ключевой задачей решателя ЭС, осуществляется на основе распознавания с использованием диагностического теста для хорошо структурируемых областей и группы (совокупности) диагностических тестов для плохо структурируемых областей в соответствии с задаваемым пороговым значением точности распознавания, т. е. качества принимаемых решений.

Диагноз поврежденного формируется последовательно в процессе продвижения по уровням различения с дополнением так называемых принудительных признаков (например, повреждающий агент, число повреждений и т. д.), отмеченных нами при построении матрицы описаний. При этом на каждом уровне различения фиксируются значения признаков, участвующих в формировании диагноза и используемых для обоснования логики принятия решений.

В основу построения ключевых алгоритмов положены введенные троичные векторыфункции различения [6], поставленные во взаимно однозначное соответствие со столбцами матрицы описаний. Бели для пары объектов из разных классов обеспечивается матрицей описаний по рассматриваемому признаку условие различимости, то соответствующая компонента векторафункции различения принимает значение "1", в противном случае "О" и принимает значение (символ неопределенности), если хотя бы один из признаков не определен. Аналогично строится векторфункция различения с использованием константных признаков 1-го рода и устойчивых признаков.

Векторфункция различения используется для анализа БЗ на непротиворечивость и безызбыточность, а также для минимизации (оптимизации) БЗ при построении матрицы импликаций [4, 5], задающей различимость каждой пары объектов из разных классов либо классов при фиксированном уровне различения. Проведение оптимизирующих логикокомбинаторных преобразований в пространстве признаков в процессе построения безызбыточной матрицы импликаций [4- 6 ], а также решения задачи оптимального покрытия являются ключевыми процедурами при нахождении решающих правил.

Предложенные матричное представление знаний и алгоритмы положены в основу создаваемой динамической экспертной системы в области медицины экстремальных ситуаций [7 ], реализуемой в языке Си на ПЭВМ IBM PC/AT.

В заключение отметим, что часть алгоритмов, относящихся к хорошо структурированным областям, реализована в автоматизированной системе распознавания АСТРА [8 ], функционирующей в операционной системе ОС ЕС. Максимальное число одновременно обрабатываемых признаков составляет 255, а объектов 32760. На базе системы АСТРА сконструированы интеллектуальные САПР и АСНИ [9] и получены положительные результаты по диагностике и прогнозированию реальных геологических объектов, оценке сложности печатных плат.

ЛИТЕРАТУРА

1. ПронияА. Поможет "спецназ" //Литературная газета 22.08.90. N 34 (5308).

2. Н е ч а е в Э. А., К о с т ю к Г. А., А г а п о в В. К., Г о л о в Ю. С. Содержание и организация
работы оперативной группы штаба руководства отряда специализированной медицинской помощи в
ходе ликвидации последствий землетрясения в Армении. Военномедицинский журнал, 1989,
N11,с. 2428.

3. Сацухевич В.Н., Смирнов А.Д., Самандров В.Х., Жидков С.А., Китаев А.В., Нитович А.В., Голов Ю. С. Организация работы пункта оказания медицинской помощи в очаге землетрясения. Военномедицинский журнал, 1989, N 7, с. 20 24.

4. Янковская А. Е. Оптимизирующие преобразования в процессе синтеза асинхронных автоматов и их приложения// МТА SZTAKITANUMANYOK, BUDAPEST. 99/1980. с. 212 227.

5. ЯнковскаяА.Е. Алгоритмы спуска при решении некоторых задач синтеза дискретных устройств. - М.: Наука, 1982, с. 206 - 214.

6. Я н к о в с к а я А. Б. Функции различения при анализе баз знаний интеллектуальных систем с матричным представлением знаний // Труды ВКИИ - 90. - М. 1990.

7. Янковская А.Е. и др. Построение динамической экспертной системы для медицины экстремальных ситуаций на основе двухуровневой структуры базы знаний// Там же.

8. Я н к о в с к а я А. Е., Г е д и к е А. И., Ковалев Г. Г., К у к а р и н В. Я. Автоматизированная система распознавания АСТРА// Информационный листок N 179-88. - Томск, ЦНТИиП, 1988.5 с.

9. Янковская А. Е., Г ед и к е А. И. Конструирование интеллектуальных САПР и АСНИ на базе диалоговой системы распознавания образов// Тез. доклад. Всес. конференции по искусственному интеллекту. - М.: 1988 т. 2, с. 603 - 608.

СНОСКИ

* Под синдромом понимается нарушение некоторой жизненно важной функции организма, обусловленное различными патогенетическими механизмами. В медицинской литературе обычно синдромом называют сочетание симптомов, обусловленных единым патогенезом.

__________________________________

А Е. Янковская - канд. физ.мат. наук