2 ИНФОРМАЦИОННОЕ И МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ
СИСТЕМЫ
2.1 Состав информационного и методического обеспечения
Информационное обеспечение (ИО) – это формализация знаний и данных о процессе прогнозирования ППГО с помощью машинного обучения,
о разработке модели алгоритмов обработки и анализа записей электронного дневника самонаблюдения, записей инжекционного носимого глюкометр.
В структуру информационного обеспечения системы входят следующие элементы:
1.Модели регистрации, обработки и анализа отобранных биомедицинских данных;
2.Характеристики и свойства пациента при разработке моделей,
используемых в дальнейшем при создании методов, алгоритмов, технических
средств для принятия врачом диагностических и лечебных решений;
3.Способы работы с электронными дневниками пациентов и извлечения диагностически значимых параметров, характеризующих индивидуальные особенности и общие закономерности ППГО, для дальнейшего прогнозирования;
4.Математическое обеспечение оценки гликемических индексов продуктов и их суммарной гликемической нагрузки в готовом блюде.
5.Модель прогнозирования ППГО;
6.Методы определения точности прогнозирования ППГО;
7.Методы интерпретации и иллюстрации результатов.
Методическое обеспечение (МО) – это разработка алгоритмов поиска цели создания БТС, методов обработки и классификации сигналов и методов принятия решений врача, средств, способов, требований для достижения этой цели.
В результате анализа компонентов информационного обеспечения системы разрабатывается комплекс методов, необходимых для
11
прогнозирования опасного повышения уровня сахара в крови на основе анализа кривых ППГО, нутриентного состава пищи, физической активности и сна.
2.2 Разработка базы данных
Для разработки системы помощи принятия решений необходимо опираться на данные приема пищи и особенности конкретного пациента. В
силу индивидуальности подхода один врач может много лет вести медицинские карточки нескольких пациентов, меняя терапию по мере необходимости. Для идентификации пользователей системы ДиаКомпньон был выбран составной ключ: user_id и state (см. эту и следующие таблицы на рисунке 5). Первый присваивает каждому, и врачу, и пациенту, уникальный индивидуальный номер, второй параметр гарантирует, что вошедший в систему клиники пользователь является верифицированным специалистом
(state = 0) или же ее пациентом (state = 1). Используя составной ключ в качестве внешнего ключа для связи между таблицами doc_info и patient_info, мы заполняем персональную информацию пациента, такую как дату рождения,
рост и вес и курирующий специалист. Параметр patient_id впоследствии используется для хранения и идентификации приемов пищи в таблице food_intake с ключевым полем intake_id. В этой таблице хранится самая общая информация о приеме пищи, такая как дата/время, тип пищи (завтра, обед,
ужин или перекус), гликемическая нагрузка, уровень сахара до приема и прогнозируемое значение после, а также автоматически сгенерированная рекомендация, призванная повысить качество и полезность обедов. Таблица food_properties содержит развернутый микро и макроэлементный состав блюд,
входящих в прием пищи, внешним полем для связи является food_id.
Промежуточным звеном между food_properties и food_intake выступает таблица meal_composition, хранящая исключительно состав приема пищи,
например: id = 1, intake_id = 1, food_id = 4993, где 4993 – идентификатор блюда, соответствующий кукурузному мисо-супу.
12
Рисунок 5 – Структура реляционной базы данных приложения
ДиаКомпаньон
2.3 Модель прогнозирования гликемического ответа
Бустинг (Gradient Boosting Machine) заключается в итеративном процессе последовательного построения частных моделей. Каждая новая модель обучается с использованием информации об ошибках, сделанных на предыдущем этапе, а результирующая функция представляет собой линейную комбинацию всего ансамбля моделей с учетом минимизации любой штрафной функции. Т.е. каждая последующая модель строится таким образом, чтобы придавать больший вес ранее некорректно предсказанным наблюдениям.
Каждое дерево строится по набору данных X,r, который на каждом шаге модифицируется определенным образом. На первой итерации по значениям исходных предикторов строится дерево f1(x) и находится вектор остатков r1.
На последующем этапе новое регрессионное дерево f2(x) стоится уже не по обучающим данным X, а по остаткам r1 предыдущей модели. Линейная комбинация прогноза по построенным деревьям дает нам новые остатки и этот процесс повторяется B раз (при чрезмерно большом B бустинг может приводить к переобучению). Благодаря построению неглубоких деревьев по остаткам, прогноз отклика медленно улучшается в областях, где одиночное дерево работает не очень хорошо. Такие деревья могут быть довольно
13
небольшими, лишь с несколькими конечными узлами. Параметр сжатия ,
который корректирует величину вклада каждого дополнительного дерева,
регулирует скорость этого процесса, позволяя создавать комбинации деревьев более сложной формы для анализа остатков. Итоговая модель бустинга представляет собой ансамбль [8], выражающийся формулой:
|
|
̂( ) = ∑ ( ) |
(1) |
1 |
|
Сложность получаемого ансамбля моделей определяет параметр –
число внутренних узлов (глубина взаимодействия между предикторами).
Модель градиентного бустинга на основе деревьев регрессии была выбрана в качестве модели для прогнозирования постпрандиального гликемического ответа из-за ее высокой точности прогнозирования с разнородными наборами данных и способности работать с отсутствующими данными. Коэффициент корреляции Пирсона, средняя абсолютная ошибка
(MAE), а также среднеквадратичная ошибка (MSE) были выбраны в качестве ключевых показателей для оценки модели с помощью тестового набора.
Окончательная точность уже ранее оценивалась по данным новых пациентов
(25% от всех пациентов) [9].
Входными параметрами модели были отобраны: уровень сахара до приема пищи, гликемическая нагрузка и усредненный гликемический индекс,
углеводы, протеины за шесть часов до приема пищи, тип приема пищи
(завтрак, обед, ужин или перекус), крахмал и индекс массы тела. Расчетными значениями из них являются:
• Гликемическая нагрузка
|
1 |
|
|
|
|
g = |
|
∑ |
(2) |
||
|
|
||||
|
100 |
|
|
|
|
=1
14
• Гликемический индекс |
|
|
|
|
|
|
|
|
|
∑ |
|
|
|||||
= |
|
=1 |
|
|
|
(3) |
||
|
∑ |
|
|
|
|
|||
|
|
|
|
|
|
|||
|
|
|
=1 |
|
|
|
|
|
• Индекс массы тела |
|
|
|
|
|
|
|
|
= |
|
( ) |
(4) |
|||||
|
|
|
||||||
|
2( ) |
|||||||
2.4 Разработка решающих правил
Процедуре разработке решающих правил предшествовали этапы извлечения и структуризации клинического опыта, выбранных нами экспертов.
В результате было разработано несколько решающих правил, на основе которых генерируются автоматические рекомендации (см. код в приложении А):
•Если высокий средний ГИ и прогнозируемый УСК больше 6.8, то рекомендуется исключить из рациона или уменьшить количество продуктов с высоким гликемическим индексом (более 55);
•Если в приеме пищи много углеводов и прогнозируемый УСК больше
6.8, то рекомендовано уменьшить количество углеводов в приеме пищи. Для завтрака и других приемов пищи порог углеводов отличается (30 г. / 60 г.), т.к.
после завтрака сахар всегда чуть выше;
•Если высокий УСК до приема пищи и высокий УСК после приема пищи, то рекомендовано уменьшить количество углеводов во время перекусов;
•Если зафиксирован низкий уровень пищевых волокон и прогнозируется высокий УСК, то появится сообщение: «В последнее время в вашем рационе было недостаточно пищевых волокон. Добавьте в рацион разрешённые овощи, фрукты, злаковые, отруби (см. обучающие материалы)».
Низкий уровень пищевых волокон детектируется по любому из трех
15
показателей: меньше 8 г. за текущий прием, меньше 20 г. за текущий прием и весь день до этого, меньше 28 г. за текущий прием пищи и сутки до этого;
• Если УСК после приема пищи высокий, выведи сообщение: «Вероятно, уровень глюкозы после еды будет высоким, рекомендована прогулка после приема пищи».
Также исходя из соображений здравого смысла и опыта взаимодействия практикующих терапевтов для беременных были реализованы следующие фильтрующие правила:
•Более 50% приемов пищи, записанных в дневнике, состояли из одного блюда или одного блюда с одним напитком (небрежный учет);
•Среднесуточная потребляемая энергия, согласно информации в дневнике, была менее 1000 ккал (свидетельство занижения потребления пищи);
•Вес более 50% блюд, включенных в дневник, был округлен до сотен,
исключая напитки (грубое округление);
• Количество перекусов, зафиксированных в дневнике, составляло менее 10% от всех записей о приеме пищи (занижение данных о приеме пищи).
16
3 ПРОГРАММНО-АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ
СИСТЕМЫ
Первое, что встречает одинаково врач и пациент – экран авторизации в приложении (см. рисунок 6)
Рисунок 6 –Экран авторизации Медицинский центр оставляет за собой возможность самостоятельно
регистрации врачей и пациентов, после чего им становится доступно содержимое приложения (см. рисунок 7).
Рисунок 7 – Экранные формы приложения
17
Перед началом использования пациент должен указать свои персональные данные, о которых мы говорили ранее: ФИО, рост и вес. В
зависимости от конфигурации приложения может потребоваться указать неделю до беременности (версия для учатсников с гестационным диабетом),
дату фактического начала ведения дневника, а также лечащего врача и выданный центром индивидуальный номер.
Заполнив прием пищи, пациент получает предупрежедние о том, что его УСК после приема пищи превысит допустимую норму, однако, конретное число от него скрыто. Это предупреждение является достаточным основанием для того, чтобы обратиться к специлисту с просьбой уточнить возникшую проблему.
После входа в приложение специалист находится в странице выбора закрепленных за ним пациентов (см. рисунок 8). Перейдя по кнопке, врач оказывается на странице всех сделанных пациентом записей. Здесь представлены как приемы пищи, так и физическая активность, введенный инсулин и даже измерения массы тела пациента.
Рисунок 8 – Личный кабинет врача и карта пациента Перейдя по вызвавшей вопрос у пациента записи, врач оказывается на
странице приема пищи (см. рисунок 9).
18
Рисунок 9 – Запись приема пищи Здесь врачу открывается минимально необходимое описание приема
пищи для составления письменных рекомендаций. Ключевые расчетные параметры: гликемическая нагрузка, усредненный гликемический индекс и прогнозируемый УСК. Также врачу выдается автоматически сгенерированная инструкция. Специалист принимает на основе этих данных решение и сообщает о нем пациенту в чат (см. рисунок 10).
Рисунок 10 – Окно чата с пациентом
19
4 МЕТРОЛОГИЧЕСКОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ
Метрологическое обеспечение системы – совокупность знаний и методов, обеспечивающих единство измерений (оценки) характеристик биомедицинских сигналов, оценки диагностически значимых показателей заболевания, воспроизводимость результатов медицинских исследований.
Метрологические характеристики определяются уровнем адекватности моделей и корректностью знаний, сформулированных в информационном обеспечении системы, корректностью методов исследования, в том числе методов обработки и анализа результатов исследований, корректностью поддержки принятия решений врача при постановке диагноза.
Методическая погрешность обусловлена несовершенством метода измерений или упрощениями, допущенными при измерениях. Так, она возникает из-за использования приближенных формул при расчете результата или неправильной методики измерений. Выбор ошибочной методики возможен из-за несоответствия (неадекватности) измеряемой физической величины и ее модели.
Отдельно среди методических погрешностей выделяют погрешности,
связанные с обработкой результатов измерений, в том числе статистической.
Эти погрешности могут быть связаны как с округлением промежуточных и конечных результатов, так и с несоответствием используемых теоретических вероятностных характеристик, тем, которые реализуются на опыте.
Источником методических погрешностей могут являться:
•взаимное влияние объекта и средства измерений;
•свойства объекта, которые не учитываются или не в полной мере учитываются методикой измерений;
•ограниченность наших знаний о природе объекта;
•динамические характеристики объекта;
•используемые способы обработки сигналов.
20