New Forms of Advertisement on European Markets

Колешко В. М., Снигирев С. А.

Белорусский национальный технический университет

Нейросетевая технология и экспертная система оптимального лечения гипертонии

Артериальная гипертония на сегодняшний день является «одним из самых распространенных хронических заболеваний, плохо поддающихся контролю и лечению. Исследования в России показывают, что «от гипертонической болезни страдает 41,1% женщин старше 18 лет и 39,2% мужчин. Из них эффективное лечение получают 17,5% и 5,7% соответственно. Подобная статистика существует и во многих других государствах. Так, в США эффективное лечение получают лишь 27% гипертоников, во Франции – 24%, Канаде – 22%, Италии – 9%, Египте – 8%, Великобритании – 6%, Китае – 3%, Польше – 2%» [1].

Низкий процент пациентов, получающих должное лечение, помимо других факторов зачастую обусловлен назначением неэффективного лекарственного средства, а также невозможностью подбора нужной дозы препарата. В этой связи, нами была предпринята попытка разработать программную модель экспертной системы оптимального лечения гипертонии, способной осуществлять выбор лекарственного препарата и его необходимой дозы для каждого отдельного пациента.

В данной системе выбор лекарственного средства осуществляется с помощью самоорганизующейся нейронной сети на основе конкуренции нейронов. Используемая нами сеть является однослойной, и в ней каждый из пятидесяти семи нейронов соединен с каждым семьюдесятью одним компонентом входного вектора (указанное число нейронов и компонентов входного вектора объясняется спецификой решаемой задачи). Структура самоорганизующейся нейронной сети представлена ниже на рисунке 1.

Входной вектор (71 компонент)

57 нейронов выходного слоя

Рис. 1 – Самоорганизующаяся нейронная сеть

Входной вектор содержит семьдесят один компонент. Все элементы входного вектора представляют собой вероятности наличия определенного сопутствующего гипертонии заболевания. Матрица весовых коэффициентов содержит пятьдесят семь строк и семьдесят один столбец. Элементы матрицы представляют собой значения, расположенные в интервале от нуля до единицы. Величины весовых коэффициентов варьируются в зависимости от наличия сведений о практическом применении препарата, длительности действия, побочных эффектах, путях вывода из организма, биодоступности, связи с белками, абсорбции, дополнительных эффектах и отзывах специалистов.

В таблице 1 приведен пример результатов функционирования самоорганизующейся нейронной сети, согласно которым в распоряжение пользователя предоставляется упорядоченный список лекарственных средств.

Таблица 1. Выбор лекарственного препарата на основе самоорганизующейся нейронной сети

Вероятности наличия у пациента сердечной недостаточности, стенокардии напряжения, синусовой тахикардии, диабетической нефропатии	Вероятность применения препарата Diroton	Вероятность применения препарата Diltiazem	Вероятность применения препарата Atenolol	Вероятность применения препарата Captopril
[0.8 0.25 0.5 0.05 ]	0.56	0.16	0.1	0.73
[0.5 0.85 0.1 0.05 ]	0.54	0.91	0.22	0.14
[0.05 0.2 0.8 0.05 ]	0.37	0.71	0.93	0.46
[0.05 0.2 0.1 0.9 ]	0.07	0.63	0.8	0.96

Для нахождения оптимальной дозы выбранного лекарственного средства, способной максимально приблизить значение артериального давления пациента к целевому уровню, нами использовался генетический алгоритм, на определенной стадии функционирования которого возникает необходимость прогнозирования значения артериального давления по его начальному уровню и величине дозы препарата. Результаты прогнозирования позволяют оценить значение целевой функции, используемой в генетическом алгоритме. Нами была предпринята попытка решить задачу нахождения значения целевой функции с помощью гетероассоциативного устройства, устанавливающего связь между двумя векторами. Первый вектор состоит из значений начального уровня артериального давления и принимаемой дозы. Второй вектор представляет собой распределенную на временном интервале величину артериального давления, полученную при известном его исходном уровне и после принятия заданной дозы.

В процессе функционирования можно выделить три фазы. В первой из них на вход подается вектор из двух элементов (значение исходного давления и дозы препарата). Нейроны первого слоя рассчитывают расстояние Эвклида между фактически предъявленным входным вектором и каждым из двух закодированных векторов-образцов, образующих веса нейронов первого слоя. Таким образом, в роли весовых коэффициентов нейронов первого слоя выступают нормированные значения исходного давления и соответствующей дозы лекарственного препарата, для которых известны значения артериального давления на заданном временном интервале, представляющие собой весовые коэффициенты нейронов третьего слоя. После предъявления указанного вектора на выходах нейронов первого слоя генерируются сигналы, задающие начальные состояния нейронов второго слоя. Затем запускается итерационный процесс внутри данного слоя. Он завершается после того, когда один из нейронов перейдет в нулевое состояние, а состояние другого останется отличным от нуля. Выходные сигналы нейронов второго слоя умножаются на соответствующие весовые коэффициенты нейронов третьего слоя, генерируя выходные сигналы. На рисунке 2 представлена структура гетероассоциативного устройства.

Значения артериального давления на 24-часовом интервале

………………

Рис. 2 – Гетероассоциативное устройство

В таблице 2 приведен пример функционирования гетероассоциативного устройства.

Таблица 2. Функционирование гетероассоциативного устройства

	Значения артериального давления на 24-часовом интервале, мм. рт. ст.
Значение дозы препарата Metoprolol и начального уровня артериального давления у пациента	АД₁	АД₂	АД₃	АД₄	АД₅	АД₆	АД₇	АД₈	АД₉	АД₁₀	АД₁₁	АД₁₂
120 мг 170 мм. рт. ст.	166	159	155	152	148	146	143	139	137	134	131	130
135 мг 173 мм. рт. ст.	167	162	158	154	151	148	145	142	136	135	134	131
130 мг 167 мм. рт. ст.	163	158	155	153	149	146	142	141	138	136	133	132

Результатом функционирования генетического алгоритма является информация о величине оптимальной дозы лекарственного средства для достижения целевого уровня артериального давления, корреляция между вектором значений артериального давления для выбранной дозы и целевым вектором, а также графическая иллюстрация распределения давления во времени на фоне целевой зависимости.

На наш взгляд, применение экспертной системы, базирующейся на разработанной нами программной модели, позволит значительно снизить риск развития осложнений у больных гипертонией, оградить пациента от необоснованного назначения лекарственного средства, уменьшить стоимость проводимого лечения, а также увеличить производительность труда медицинских работников.

Литература:

[1] Лечение АГ как профилактика сердечно-сосудистых осложнений [Электронный ресурс] / Пермский областной медицинский информационно-аналитический центр. – Пермь, 2005. – Режим доступа: http://www.medinfo.perm.ru/content/LechenieAG, свободный. – Загл. С экрана. – Яз. Рус.