Источник: http://library.mephi.ru/2/scientific-sessions?Year=2006&Volume=18

Основной задачей, которая выдвигалась в данном исследовании, явля-ется прогнозирование состояние больного после хирургической операции. Одним из основных показателей, характеризующих состояние больного после операции, является факт наличия или отсутствия анемического синдрома (малокровия) у больного. Основным признаком наличия анемии у больного, как известно, является низкий уровень гемоглобина, поэтому мы прогнозируем именно уровень гемоглобина у хирургических больных. Задача прогнозирования анемии является на сегодня весьма актуальной, поскольку не существует однозначной системы оценки возможного со-стояния больного после операции.

Прогнозирование риска осложнений в послеоперационном периоде в настоящее время является актуальной задачей, поскольку ее решение, во-первых, позволит снизить длительность пребывания в стационарных и реанимационных условиях, что особенно важно в условиях страховой медицины в связи с высокими затратами на оказание этого вида медицин-ской помощи; во-вторых, способствует снижению риска тяжелых ослож-нений, приводящих к инвалидности пациентов, и летальных исходов, воз-никающих в результате хирургических вмешательств; в-третьих, позволит рационально (т.е. с учетом индивидуальных особенностей и показаний) назначать антибиотиковую терапию. Кроме того, прогнозирование риска осложнений позволяет планировать нагрузку на реанимационное отделе-ние в клинике с высокой хирургической активностью, оптимизируя тем самым его деятельность. В экономически развитых странах доля затрат на оказание этого вида медицинской помощи в сравнении с другими заметно выше (например, в США две трети умерших регистрируется в отделениях реанимации).

Возможность прогнозирования риска представляет интерес и для экс-пертов медицинских страховых компаний, нуждающихся в объективных оценках качества выполненных хирургических операций в целом и вывыполнения предоперационных мероприятий в каждом конкретном случае. В более широком смысле знание закономерностей позволяет изучить причины возникновения риска послеоперационных осложнений и разработать меры, направленные на его снижение [1].

Основной задачей, которая выдвигалась в данном проекте, является прогнозирование состояние больного после хирургической операции. Од-ним из основных показателей, характеризующих состояние больного после операции является факт наличия или отсутствия анемического синдрома (малокровия) у больного. Основным признаком наличия анемии у больного, как известно, является низкий уровень гемоглобина, поэтому мы прогнозируем именно уровень гемоглобина у хирургических больных. Задача прогнозирования анемии является на сегодня весьма актуальной, поскольку не существует однозначной системы оценки возможного со-стояния больного после операции и врач принимает решение основываясь преимущественно на личном опыте и интуиции [2]. Анемический синдром в послеоперационном периоде может привести к осложнениям, ухудшить заживление оперированных органов и, как следствие, увели-чить срок пребывания больного в стационаре.

Для нейросетевого анализа в Пензенской областной клинической больнице им. Н.Н. Бурденко были отобраны 84 истории болезни пациентов, которым проводились операции на легких. Затем истории болезней были переведены в электронный вид для последующей работы с ними. В нашей работе мы рассматривали данные пациентов, которым проводилась только одна операция, для того, чтобы четко выделить до и после операционный периоды.

На первом этапе для входа нейронной сети эмпирически были отобра-ны следующие переменные: гемоглобин, количество эритроцитов, цветовой показатель, скорость оседания эритроцитов, длительность операции, возраст, пол, сложность операции, количество перелитых компонентов в литрах, наличие анемии как осложнения. Однако, в дальнейшем пришлось отказаться от использования переменной пол, поскольку для анализа использовались в основном данные пациентов мужчин.

Был выбран ряд показателей, необходимых для решения поставленной задачи. А именно: для обозначения влияния оперативного вмешательства была введена переменная длительность операции, для собственно прогнозирования анемического синдрома были введены несколько переменных показателей клинического анализа крови: гемоглобин (НВ), количество эритроцитов, цветовой показатель (ЦП), лейкоциты (Л) и скорость оседа-ния эритроцитов (СОЭ). Кроме того, были введены также переменные возраст и пол.

После выбора переменных для входа нейронной сети из данных историй болезни были сформированы обучающая и тестирующая выборки. Далее, данные, вошедшие в выборки, были подвергнуты предпроцессорной обработке. Для каждой переменной были вычислены исходные статистические величины, а именно среднее значение, минимальное и максимальное значения. Данные статистические величины представлены в табл. 1.

Далее из выборок были удалены выбросынетипичные значения, которые слишком далеки от среднего значения. Для выборок была применена гипотеза о нормальном распределении. Согласно этой гипотезе, 95 % дан-ных будут располагаться вокруг среднего значения на расстоянии двух среднеквадратических отклонений. Те значения, которые отклоняются бо-лее чем на три среднеквадратических отклонения, удалялись из выборки.

Пары элементов с большим значением коэффициента парной корреляции (около 1) являются зависимыми и затем одна из переменных в каждой паре должна быть удалена из входных данных. Рассчитанные коэффициенты парной корреляции приведены в табл. 2.

Из табл. 2 видно, что переменные уровень гемоглобина и количество эритроцитов сильно коррелированны. Исходя из этого было принято решение удалить переменную количество эритроцитов в связи с тем, что традиционно для медицинских работников большее значение имеет гемоглобин.

Все входные данные были приведены к диапазону [-1; 1]. Выбор именно этого диапазона обусловлен тем, что в качестве функции активации исполь-зовался гиперболический тангенс, диапазоном чувствительности которого является отрезок [-1; 1]. Приведение выполняется по формуле:

Для решения поставленной задачи был использован многослойный персептрон. Такую сеть можно легко интерпретировать как модель вход выход, в которой свободными параметрами являются веса и пороговые значения (смещения). Сеть подобной структуры может моделировать функцию практически любой степени сложности, причем число слоев и число элементов в каждом слое определяют сложность функции. Определение числа промежуточных слоев и числа элементов в них является важным вопросом при конструировании многослойного перcептрона. Количество входных и выходных элементов определялось условиями задачи и равняется количеству входных и выходных переменных соответственно.

В качестве функция активации использовалась гиперболическая тангенциальная функция. Данная функция и ее производная определяются следующими соотношениями:

С помощью экспериментов в пакете Matlab подбиралась оптимальная сеть для прогнозирования. Эксперименты проводились на многослойной сети. Сеть учились прогнозировать средний гемоглобин в послеопераци-онном периоде по 6 показателям. В результате проведенных экспериментов были выбрана оптимальная для прогнозирования архитектура сети. На первом этапе для поиска наиболее удачной архитектуры сети использовался "быстрый" алгоритм Левенберга-Марквардта. Затем на выбранной архитектуре проводились эксперименты с использованием алгоритма обратного распространения ошибки. Испытания проводились на трехслойной сети (входной, скрытый и выходной). Количество нейронов входного и выходного слоев определялось количеством входных и выходных переменных, и равняется соответственно шести и одному.

В ходе экспериментов подбиралось количество нейронов в скрытом слое. Эксперименты были начаты с архитектуры 6-4-1, т.е. шесть нейронов во входном слое, четыре нейрона в скрытом слое и один нейрон в выход-ном слое. Выбор именно такого количества нейронов в скрытом слое свя-зан с гипотезой о том, что количество нейронов в скрытом слое равно по-лусумме числа входных и выходных элементов [3].

Для каждого варианта архитектуры рассчитывалась ошибка в процен-тах. Для каждого варианта архитектуры сети проводилось по 3 экспери-мента. Это связано с тем, что при инициализации сети веса и смещения устанавливаются случайным образом, и это может влиять на конечный результат.

Ввиду того, что архитектура 6-4-1 оказалась неудачной, стала использоваться другая гипотеза [4] о количестве нейронов в скрытом слое. Согласно гипотезе, количество нейронов в скрытом слое определяется формулой

Оказалось, что лучшие результаты достигаются на трехслойной нейронной сети с девятнадцатью нейронами в скрытом слое (средняя ошибка равна 13,3 %, а минимальная ошибка равна 6,7 %) и с восемнадцатью нейронами в скрытом слое (средняя ошибка равна 20 %, а минимальная ошибка равна 6,7 %).

Во избежание эффекта переобучения нейронной сети мы использовали также алгоритм обучения с использованием тестового множества.

При обучении нейронной сети с использованием тестового множества выяснилось, что наименьшие ошибки дают сеть с пятнадцатью нейронами в скрытом слое (средняя ошибка 17,8 %, минимальная ошибка 6,7 %) и сеть с девятнадцатью нейронами в скрытом слое (средняя ошибка 15,6 %, минимальная ошибка 6,7 %).

Очевидно, что по итогам всех экспериментов наименьшую ошибку при прогнозировании среднего уровня гемоглобина в послеоперационном периоде дает сеть с архитектурой 6-19-1, т.е. шесть нейронов во входном слое, девятнадцать в скрытом слое и один в выходном.