УДК 51-76, 57.087.1, 519.237, 519.25, 519.688. Основы экспертной системы оценки ишемического поражения головного мозга по состоянию мозгового кровообращения и ряду физиологических параметров. 2010 г. Аршинов

УДК 51-76, 57.087.1, 519.237, 519.25, 519.688

Основы экспертной системы оценки ишемического поражения головного мозга по состоянию мозгового кровообращения и ряду физиологических параметров

( 2010 г. Аршинов Б. В., Дутикова Е. Ф., Марагей Р. А.

При создании аппаратно-программного комплекса для мониторинга и оценки мозгового кровообращения и его нарушений был разработан программный модуль экспертной оценки процессов ишемии мозга и анализа процессов эмболизации в режиме реального времени. Была построена база знаний в виде таблиц нормативных значений и реализован программный интерфейс задания решающих правил с использованием данных экспертных таблиц.
Ключевые слова: ишемическое поражение головного мозга

Введение

Интраоперционный мониторинг функций головного мозга – современное интенсивно развивающееся направление, охватывающее комплекс методик, позволяющих проводить непрерывный или дискретный, но достаточно частый, контроль различных физиологических параметров, характеризующих функцию, кровоток и метаболизм структур центральной и периферической нервной системы.
Для проведения комплексного периоперационного исследования функционального состояния головного мозга у больных с сердечно-сосудистой патологией используются следующие методики: ультразвуковая транскраниальная допплерография (ТКДГ) с возможностью эмболодетекции, ЭЭГ, ЭКГ, мониторинг CO2 (капнография), мониторинг артериального давления (инвазивного и неинвазивного).

Методы
Построение базы знаний экспертной системы (ЭС).
Метод ТКДГ используется для оценки изменения линейной скорости кровотока (ЛСК) в крупных артериях головного мозга, а также детекции эмболий. К преимуществам данной методики следует отнести непрерывность во времени, неивазивность, относительную очевидность трактовки результатов мониторирования по сравнению с другими модальностями, а также быструю реакцию метода на изменения церебральной гемодинамики.
Вопросы автоматической детекции эмболий при обследовании сосудов пациента средствами TКДГ сегодня находятся в центре внимания ведущих производителей ультразвуковой техники. С одной стороны, это объясняется возрастанием клинической значимости эмболии (кардиальной или артерио-артериальной природы), как основной причины инсульта, а с другой, отсутствием альтернативных средств контроля и анализа прохождения эмболического материала. Особый интерес клиницистов вызывают проблемы анализа состава и размера материальных эмболов для эффективной защиты головного мозга в условиях амбулаторного и интраоперационного контроля [1, 2]. Повышение чувствительности и специфичности результатов детекции достигается как за счет совершенствования аппаратуры, так и прогресса в области новых математических средств и методов эффективной обработки ультразвуковой информации.
Современная постановка задачи автодетекции включают рассмотрение нескольких уровней ее детализации [2]:
Анализ характеристик фонового кровотока и выделение транзиторных сигналов высокой интенсивности (high-intensity transient signals - HITS).
Анализ HITS и выделение микроэмболических сигналов (microembolic signals – MES). При этом остальные сигналы классифицируются как артефакты.
Разделение MES на материальные и газовые эмболы.
Определение характеристик (размер, состав, форма и др.) каждого вида эмбола.
Сложность постановки задачи, к сожалению, не позволяет сегодня получить ее полное и качественное решение. Все известные разработки коммерческой реализации в основном удовлетворяют требованиям первого и второго уровней сложности задачи автодетекции. Третий уровень находится в стадии интенсивной проработки и клинической апробации. Четвертый уровень только начинает теоретически прорабатываться, хотя имеет наибольший интерес и практическую ценность для клиницистов. Причин такого состояния дел несколько: с одной стороны, это сложность самого сигнала (нестационарной природы), наличие в нем разнообразных артефактов, связанных с условиями эксплуатации ТКДГ систем, сложностью идентификации характеристик эмбола и его последующей классификации, а с другой стороны – это отсутствие высокоэффективных средств автоматической детекции эмболов. Необходимо также учитывать жесткие требования обработки сигналов ТКДГ в режиме реального времени. Именно поэтому, на этапе анализа результатов ТКДГ мониторинга привлекают сертифицированных специалистов по классификации эмболии.
В качестве референтных значений для построения базы знаний ЭС [3, 4, 5] на этапе разработки предлагаются нормативные показатели параметров ТКДГ (табл. 1):

Таблица 1.
Показатели кровотока в первом сегменте средней мозговой артерии (СМА).
Максимальная (S), средняя (M) , диастолическая (D) скорости кровотока, межполушарная асимметрия (S/D), индекс пульсаций (PI), индекс периферического сопротивления (RI)

Возраст, лет
S, см/с
D, см/с
M, см/с
S/D, %
PI
RI

До 20
76 ± 14
30 ± 7
62,1 ± 12,3
4,6 ± 1,2
0,83 ± 0,03
0,6 ± 0,06

20 ч 40
76 ± 14
30 ± 7
59,4 ± 10,6
6,5 ± 2,0
0,84 ± 0,02
0,6 ± 0,06

40 ч 60
65 ± 14
25 ± 6
57,6 ± 11,7
7,8 ± 2,1
0,82 ± 0,03
0,61 ± 0,05

После 60
65 ± 14
25 ± 6
45,3 ± 11,2
10,4 ±2,6
0,81 ± 0,05
0,61 ± 0,05


ЭЭГ
При развитии ишемии мозговой ткани возникают следующие изменения ЭЭГ: появляются острые волны, пики, низкоамплитудная высокочастотная активность (в-основном, бета-ритм), начинает преобладать медленно-волновая активность (дельта- и тета-).
Свидетельством низкой толерантности головного мозга к гипоксии является появление дельта- и тета-волн. Для предоперационной оценки толерантности мозговой ткани к гипоксии, а также адекватности мозгового коллатерального кровообращения служит проба Матаса (пережатие общей сонной артерии до 3 мин. на стороне поражения сосудов). На сегодня не существует какой-либо чётко-определённой шкалы для оценки интраоперативной ишемии мозга по данным ЭЭГ. Поэтому для её разработки приходится опираться на имеющиеся шкальные или ранговые оценки частных или косвенных методик.
Эксперименты показывают, что при развитии ишемических процессов в головном мозге изменения ЭЭГ носят фазный характер. Периоды присутствия в ЭЭГ острых волн, пиков, высокочастотной активности сменяются медленно-волновой активностью низкой, а затем высокой амплитуды. Снижение перфузионного давления практически всегда приводит к «уплощению» ЭЭГ, т.е. резкому снижению амплитуд биопотенциалов всех частотных диапазонов. Признаком нарастающей гипоксии/ишемии г.м. является появление медленных волн большой амплитуды.
Визуальный анализ изменений ЭЭГ даёт основания предположить, что, возможно, наиболее информативными признаками ЭЭГ-коррелятов интраоперативной ишемии мозга являются следующие параметры: средняя амплитуда ЭЭГ; относительная мощность ритма, сочетающий в себе традиционные индекс и амплитуду ритма; SEF95 (частота, на которой суммарная мощность составляет 95% от общей мощности спектра); отношение быстрых ритмов к медленным (
· +
·) / (
· +
·).
Предлагается следующая шкала ишемических состояний ткани мозга (см. табл. 2):

Таблица 2.
Признаки ишемии.
Ишемия
Средняя амплитуда ЭЭГ
Относительная мощность медленных волн (
· +
·)
SEF95
(
· +
·)
/
(
· +
·)

Умеренная
0..60% и.у.
0..20%

· 2 Гц
от и.у.

· 20%
от и.у.

Выраженная

· 40% и.у.
20..100%

· 2 Гц
от и.у.

· 20%
от и.у.

Перфузионная
0..60% и.у.
-
-
-

и.у. - исходный уровень

Мониторинг артериального давления (АД).
Величина АД является интегральным показателем гемодинамической функции сердечно-сосудистой системы. Необходима регистрация каждого из трех параметров АД (систолического, диастолического, пульсового АД). Основная цель лечебных мероприятий на основе мониторинга АД – поддержание среднего АД, отражающего перфузионное давление различных органов, на уровне 70-90 мм рт. ст. Изменение перфузионного давления – один из главных этиологических факторов в развитии ишемии головного мозга. При его снижении включаются механизмы ауторегуляции, при этом расширяются резистивные сосуды. Всё это приводит к увеличению церебрального объёма крови, но мозговой кровоток и скорость потребления кислорода мозгом остаются стабильными. При достижении предела ауторегуляторных механизмов и дальнейшем падении ЦПД происходит снижение мозгового кровотока и увеличение экстракции кислорода мозгом, при нормальной скорости его потребления. Когда экстракция кислорода мозгом становится максимальной, то компенсаторные возможности достигают своих предельных значений и дальнейшее снижение церебрального перфузионного давления может привести к необратимым ишемическим повреждениям. Т.о., в качестве критического значения принимаем уровень среднего АД равным 70 мм рт.ст.

Капнография.
Безопасные колебания напряжения СО2 в артериальной крови определяются в диапазоне от 2% (15 мм рт.ст.) – гипокания до 8% (60 мм рт.ст.) - гиперкапния.

При мониторинге ЭКГ признакамм ишемии являются отклонении сегмента ST на 2 мм, уменьшение RR интервала и увеличение дисперсии RR интервала на 30% по сравнению с исходным уровнем, например, в начале операции.

Выбор средств построения ЭС
Способы представления знаний
Одним из наиболее популярных способов представления знаний в ЭС является представ-ление, основанное на правилах [6, 7]. Правила обеспечивают формальный способ представления рекомендаций, указаний или стратегий; они часто подходят в тех случаях, когда предметные знания возникают из эмпирических ассоциаций, накопленных за годы работы в предметной области.
Правила выражаются в виде утверждений типа ЕСЛИ – ТО.
В ЭС, основанных на правилах, предметные знания представляются набором правил, которые проверяются на группе фактов или знаний о текущей ситуации. Когда часть правила ЕСЛИ удовлетворяет фактам, то действие, указанное в части ТО, выполняется – говорят, что правило выполнено.
Интерпретатор правил ЭС сопоставляет части правил ЕСЛИ с фактами и выполняет то правило, часть ЕСЛИ которого согласуется с фактами. Процесс сопоставления с фактами частей ЕСЛИ правил может порождать то, что называется цепочкой выводов.
Другими способами представления знаний в системах искусственного интеллекта (ИИ) являются семантические сети и фреймы [9]. Их важными особенностями являются организация знаний в сеть отношений, где узлами являются объекты знаний, и иерархия наследования в сети.
Языки программирования ЭС
Среди множества языков программирования существует целый класс языков инженерии знаний. Языки программирования, применяемые для работы в области экспертных систем, – это, как правило, проблемно-ориентированные языки, такие, как Фортран и Паскаль, языки обработки текстов, такие, как Лисп, Пролог и Хаскель, или объектно-ориентированные языки, такие, как С++.
Построение ЭС
Учитывая новизну темы и сложность задачи было решено строить ЭС на основе знаний, представленных в виде правил [9, 10]. В общем виде цепочка выводов может выглядеть в виде дерева решений:
Таблица 3

ЕСЛИ
(набор фактов 1)
ТО
(решение 1)

ИНАЧЕ ЕСЛИ
(набор фактов 2)
ТО
(решение 2)






ИНАЧЕ ЕСЛИ
(набор фактов N)
ТО
(решение N)

ИНАЧЕ


(решение N+1)


Набор фактов является результатом объединения фактов или данных, полученных от источника данных (объект обследования). Логические соотношения строятся на основе логики предикатов, т.е. в виде соотношений И, ИЛИ, НЕТ. Например,
«Набор фактов 1» = (факт1 И факт 2) ИЛИ (факт 3).


Результаты

В целях облегчения разработки вся база знаний ЭС была упорядочена по профилям [8]. Профили создаются медицинскими разработчиками, пользователь только выбирает в подменю наиболее близкий профиль из списка перед запуском мониторинга. Обозначения профилей произвольны, например: «АКШ с АИК», «Каротидная эндартерэктомия», «Кардиореанимация».
Каждый профиль характеризуется своим деревом решений (см. выше табл. 3).
На рис. 1. представлен экранный интерфейс задания параметров профиля.

13 EMBED PBrush 1415

Рис. 1. Экранный интерфейс программного модуля экспертной оценки

В качестве языка программирования выбрали С++. Являясь языком высокого уровня, он работает с формальными объектами на уровне if – then, case of, т.е. обеспечивает представление знаний в виде правил. Помимо этого, данный язык имеет такие свойства, необходимые для дальнейшего развития, усложнения ЭС, как инкапсулирование и наследование свойств объектов, что приближает выбранную систему знаний разрабатываемой ЭС к семантическим сетям.

ЛИТЕРАТУРА

Georges A., Darbellay F., Rebecca D. et al. - Sol
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
Бонгард М. М., Проблема узнавания, М.: Наука, 1967
Вапник В. Н., Червоненкис А. Я., Теория распознавания образов, М.: Наука, 1974.
Горелик А. Л., Скрипкин В. А., Методы распознавания, Уч. пособие., М.: Высшая школа, 1984, 208 с.
Загоруйко Н. Г., Елкина В. Н., Лбов Г. С., Алгоритмы обнаружения эмпирических закономерностей, Н.: Наука, 1985, 108 с.
Лбов Г. С., Логические функции в задачах эмпирического предсказания, Вычисл. с-мы, Новосибирск, 1978, вып. 76, С. 34-64.
Лбов Г. С., Манохин А. Н., Распознование образов при разнотипных признаках в условиях малой выборки, Статист. проблемы управления, Вильнюс, 1976, вып. 14, С. 57-63
Уотермен Д., Руководство по экспертным системам, М.: «Мир», 1989, 388 с.
Хант Э., Марин Дж., Стоун Ф., Моделирование процесса формирования понятий на вычислительной машине, М.: Мир, 1970


Аршинов Борис Викторович
ЗАО «НПФ «БИОСС», Зеленоград, Москва

Дутикова Елена Федоровна, к.м.н.
Российский научный центр хирургии им. акад. Б.В.Петровского РАМН,
Москва

Марагей Рамин Алиевич
Институт высшей нервной деятельности и нейрофизиологии РАН, Москва

Bases of expert system for an estimation of brain ischemia on a condition of a cerebral blood flow and other physiological parameters

Arshinov B. V., Dutikova E. F., Maraguei R. A.

The soft
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
Работа выполнена при финансовой поддержке
Министерства образования и науки Российской Федерации

ЗАО «НПФ «БИОСС», Зеленоград, Москва
Российский научный центр хирургии им. акад. Б. В. Петровского РАМН,
Москва
Институт высшей нервной деятельности и нейрофизиологии РАН, Москва

Поступила в редакцию 12.12.2010.

Математическая морфология.
Электронный математический и медико-биологический журнал. 
Том 9. Вып. 4. 2010.


13PAGE 15


13PAGE 14715


Математическая морфология.
Электронный математический и медико-биологический журнал. 
Том 9. Вып. 4. 2010.





















































































































































Root Entry

Приложенные файлы

  • doc 11084009
    Размер файла: 628 kB Загрузок: 0

Добавить комментарий