Кобринский Борис Аркадьевич – доктор медицинских наук, заведующий отделом «Систем интеллектуальной поддержки принятия решений»
119333, г. Москва, ул. Вавилова, 44
44, Vavilova Str., Moscow, 119333
Благосклонов Николай Алексеевич – младший научный сотрудник, отдел «Систем интеллектуальной поддержки принятия решений»
119333, г. Москва, ул. Вавилова, 44
44, Vavilova Str., Moscow, 119333
Демикова Наталия Сергеевна – доктор медицинских. наук, главный научный сотрудник, НИКИ педиатрии им. акад. Ю.Е. Вельтищева, РНИМУ им. Н.И. Пирогова; заведующая кафедрой медицинской генетики, РМАНПО
125412, г. Москва, ул. Талдомская, 2,
125993, г. Москва, ул. Баррикадная, 2/1, стр. 1
2/1, Barrikadnaya Str., Moscow, 125993,
2, Taldomskaya Str., Moscow, 125412
Николаева Екатерина Александровна – доктор медицинских наук, руководитель отдела клинической генетики, НИКИ педиатрии им. акад. Ю.Е. Вельтищева
125412, г. Москва, ул. Талдомская, 2
2, Taldomskaya Str., Moscow, 125412
Коталевская Юлия Юрьевна – кандидат медицинских наук, заведующий консультативным отделением, врач-генетик
129110 г. Москва, ул. Щепкина, 61/2
61/2, Shchepkina Str., Moscow, 129110
Меликян Люся Петросовна – научный сотрудник, отдел клинической генетики, НИКИ педиатрии им. акад. Ю.Е. Вельтищева
125412, г. Москва, ул. Талдомская, 2
2, Taldomskaya Str., Moscow, 125412
Зиновьева Юлия Михайловна – врач-генетик
129110 г. Москва, ул. Щепкина, 61/2
61/2, Shchepkina Str., Moscow, 129110
Цель – повышение эффективности диагностики наследственных лизосомных болезней накопления с использованием интеллектуальной компьютерной системы поддержки принятий решений.
Материалы и методы. В качестве материала для клинической апробации компьютерной диагностической системы использованы описания 35 клинических случаев из литературы и данные 52 пациентов из электронных медицинских карт (в деперсонифицированном виде). Методы инженерии знаний использовались для извлечения, структуризации и формализации знаний из текстов и у экспертов. Литературные источники включали онлайн-базы данных и публикации (русско- и англоязычные). На этой основе для каждой клинической формы лизосомных болезней были сформированы текстологические карты, информация которых корректировалась экспертами. Затем формировались матрицы, включающие факторы уверенности (коэффициенты) для манифестации, выраженности и релевантности признаков по каждой из возрастных групп (до 1 года, от 1 года до 3 лет включительно, от 4 до 6 лет включительно, 7 лет и старше). База знаний экспертной системы реализована на онтологической сети и включает модель заболевания с эталонными вариантами клинических форм. Принятие решений осуществляется с использованием продукционных правил.
Результаты. Разработана экспертная компьютерная система поддержки принятия клинических решений на долабораторном этапе дифференциальной диагностики лизосомных болезней накопления. Результатом ее работы является ранжированный перечень диагностических гипотез, отражающий степень их соответствия эталонным описаниям клинических форм болезней в базе знаний. Проведена апробация системы на случаях из литературных источников и на данных пациентов из электронных медицинских карт. Критерием для оценки эффективности распознавания болезни было вхождение верифицированного диагноза в перечень из пяти гипотез, выдаваемых системой. По итогам проведенной апробации точность составила 87,4%.
Заключение. Экспертная система для диагностики наследственных болезней показала достаточно высокую эффективность на этапе формирования дифференциально-диагностического ряда на долабораторном этапе, что позволяет говорить о возможности ее использования в клинической практике.
Aim. To improve the efficiency of diagnosis of hereditary lysosomal storage diseases using an intelligent computerbased decision support system.
Materials and methods. Descriptions of 35 clinical cases from the literature and depersonalized data of 52 patients from electronic health records were used as material for clinical testing of the computer diagnostic system. Knowledge engineering techniques have been used to extract, structure, and formalize knowledge from texts and experts. Literary sources included online databases and publications (in Russian and English). On this basis, for each clinical form of lysosomal diseases, textological cards were created, the information in which was corrected by experts. Then matrices were formed, including certainty factors (coefficients) for the manifestation, severity, and relevance of signs for each age group (up to 1 year, from 1 to 3 years inclusive, from 4 to 6 years inclusive, 7 years and older). The knowledge base of the expert system was implemented on the ontology network and included a disease model with reference variants of clinical forms. Decision making was carried out using production rules.
Results. The expert computer system was developed to support clinical decision-making at the pre-laboratory stage of differential diagnosis of lysosomal storage diseases. The result of its operation was a ranked list of hypotheses, reflecting the degree of their compliance with reference descriptions of clinical disease forms in the knowledge base. Clinical testing was carried out on cases from literary sources and patient data from electronic health records. The criterion for assessing the effectiveness of disease recognition was inclusion of the verified diagnosis in the list of five hypotheses generated by the system. Based on the testing results, the accuracy was 87.4%.
Conclusion. The expert system for the diagnosis of hereditary diseases has shown fairly high efficiency at the stage of compiling a differential diagnosis list at the pre-laboratory stage, which allows us to speak about the possibility of its use in clinical practice.
The authors declare that there are no conflicts of interest present.