Glaudūs giminystės ryšiai tarp elektroninės sveikatos sistemos ir taikomosios matematikos  (0)

Elektroninės sveikatos (e – sveikatos) terminas nusako šiuolaikinių informacijos ir komunikacijos technologijų panaudojimą, tenkinant pacientų, sveikatos priežiūros specialistų, administratorių ir net politikų poreikius (1 pav.). Visuotinai priimtini yra keturi fundamentalūs e–sveikatos komponentai: •klinikiniai tyrimai, •sveikatos informacija, •sveikatos priežiūros paslaugų modernizavimas, •sveikatos apsaugos profesinių žinių plėtra ir mokymas. Europos Sąjungos šalyse realizuojant įvairius e–sveikatos projektus lieka neišspręsta problema kaip formalizuoti žmogaus kaip dinaminės sistemos modelį. Todėl daugelyje e–sveikatos strategijos projektų lieka neapimta virtualaus gydytojo pozicija, stengiantis integruoti visą gaunamą informaciją jau sveikatos apsaugos vieneto rėmuose (poliklinika, ligoninė).

Remdamiesi pirmaisiais trimis e–sveikatos komponentais – individualizuotu organizmo reakcijos į fizinį krūvį ir formalizuotu fizinio krūvio poveikio modeliais – prof. Z.Navickas pasiūlė medikams, vadovaujamiems prof. A.Vainoro, tai formalizuoti Milio ir Muro automatų sąsūka. Milio automato vykdomi veiksmai atitinka virtualų tyrimą: I Milio poautomatis skirtas pradinių duomenų, gautų tiesiogiai išmatavus kardiologinius parametrus, sutvarkymui. II Milio poautomatis skirtas išvestinių ir integralinių parametrų skaičiavimui bei šių duomenų sutvarkymui. Abu Milio poautomačiai dirba nuosekliai: II poautomatis nepradeda dirbti tol, kol negauna signalo iš I Milio poautomačio. Muro automatas atitinka virtualaus gydytojo sprendimą: asmens sveikatos vertinimą ir tolimesnių sprendimų koordinavimą. I Muro poautomatis skirtas suminio vertinimo skaičiavimui, II – sveikatos būklės įvertinimui. Bendroji principinė sąsūkos schema pateikta 2 paveiksle. Milio ir Muro automatų sąsūkos modelis yra adaptyvus t.y. jame galima pridėti naujus komponentus (poautomačius, būsenas, surjekcijas), kas leidžia detaliau aprašyti informacijos srautus ir pritaikyti modelį konkrečiam uždaviniui. Tarkime, jei reikia tyrimui naudoti dar vieną EKG signalo parametrą, Milio poautomačio išėjimo sudėtinė funkcija gali būti papildyta dar viena komponente. Surjekcijos taip pat gali būti plečiamos t.y. papildomos naujais tyrimo algoritmais. Be to, automatų sąsūka leidžia pakankamai paprastai sekti grįžtamąjį ryšį.

Sąsūkos darbo rezultatų vienas iš pavyzdžių – kompleksiškumo profilio grafikas, nusakantis organizmo būseną kintamo krūvio metu (3 pav.). Kompleksiškumas yra vertinamas spalvos kodu – kuo didesnis kompleksiškumas (rangas), tuo spalva artimesnė raudonai, o kuo mažesnis kompleksiškumas (rangas), tuo spalva grafike artimesnė mėlynai spalvai (RR dalis reiškia bendrą organizmo kompleksiškumą, DJTp dalis – širdies kompleksiškumą, DQRS dalis – vidinių širdies procesų kompleksiškumą). Sąsūkos pagrindu kuriamai programinei įrangai keliamas uždavinys greitai ir adekvačiai reaguoti į asmens funkcinės būsenos pokytį. Gauta informacija padeda medikams sekti paciento būklę fizinio krūvio metu bei svarbiausia – laiku nutraukti tyrimą.

Elektrokardiograma – vienas iš pagrindinių tyrimo objektų (4 pav.). Ji yra suminio elektros lauko potencialo kitimo kreivė pagal kurios ypatumus sprendžiama apie širdies veiklą.

Šį elektrinį signalą būtina mokėti perskaityti taip, kad jis padėtų atskirti sergančius asmenis nuo sveikųjų. Neretai yra tiriami elektrokardiogramos parametrai, pavyzdžiui, periodiškai pasikartojančių pikų (amplitudžių) aukščiai (AR) ar atstumai tarp jų (RR). Šiems parametrams tirti naudojami įvairūs matematiniai metodai: •Hankelio matricos metodas, •Koreliacinės dimensijos, •Entropijos skaičiavimas, •Algebrinis tarpparametrinių sąsajų vertinimas ir t.t. Hankelio matricos metodas nustato signalo kompleksiškumą arba, kitais žodžiais tariant, signalo sudėtingumą. Yra pastebėta, kad viena elektrokardiogramos atkarpa gali būti aprašoma kelių eksponentinių funkcijų suma, o kita – net keliolika kartų didesniu skaičiumi eksponentinių funkcijų. Todėl kompleksiškumas yra kintantis rodiklis. Jis mažėja fizinės treniruotės metu, kuomet organizmo sistemos turi ypač „susiklausyti“, kad įveiktų joms tenkantį krūvį. Rangų sekai pritaikę principinių komponenčių metodą, galime išskirti sveikų bei sergančių asmenų grupes t.y. atlikti tiriamųjų klasifikavimą. Tarpparametrinių sąsajų vertinimas remiasi jau ne vieno elektrokardiogramos parametro tyrimu, o kelių parametrų sąveikos analize, sudarant iš dviejų parametrų sekų specialią matricų seką t.y. matricinę eilutę. Tokiai eilutei yra skaičiuojami diskriminantai bei kiti algebriniai įverčiai, kurie padeda išskirti „ligonių“ bei „sveikųjų“ grupes ar įvertinti sportininkų pajėgumą. Žemiau pateiktuose paveiksluose parodyti a) daugiau patyrusio ir b) mažiau patyrusio imtynininkų algebrinių įverčių – diskriminantų – grafikai:

E–sveikatos sistemai tinkami matematiniai modeliai ir jų praktinis pritaikymas – vis dar plati ir neišsemiama mokslinių tyrimų erdvė, kurioje savo vietą randa tiek patyrę matematikai, tiek gabūs programuotojai ir informacinių sistemų algoritmų kūrėjai. Turint omenyje, jog tokios informacinės sistemos vis dar tėra kūrimo stadijoje, ateityje nusimato dar daugybė kūrybinės erdvės jauniems taikomosios matematikos specialistams.

Aut. teisės: www.technologijos.lt

(0)
(0)
(0)

Komentarai (0)