Тяжелая закрытая травма черепа и головного мозга

под редакцией профессора В. М. Угрюмова

Своевременное распознавание наличия и локализации внутричерепных травматических кровоизлияний является важнейшей проблемой при диагностике больных с закрытой травмой черепа и головного мозга. Для решения этой задачи проводятся широкие исследования, охватывающие как поиск новых методик, позволяющих получить дополнительную информацию о заболевании, так и поиск средств, обеспечивающих более эффективную и быструю обработку уже имеющейся информации. Большая роль в работах последнего направления отводится разработке вычислительных методов диагностики (В. М. Угрюмов и др., 1964; В. И. Штабцов, 1964; В. И. Штабцов, Ю. А. Остроумов,   1964; Sano, 1964).

В течение последних лет в Ленинградском нейрохирургическом институте разрабатывалась диагностическая система для распознавания внутричерепных гематом у больных с закрытой травмой черепа и головного мозга в остром периоде. Построение диагностической системы включало в себя следующие этапы работы:

1.         Формирование описания заболевания1.

2.         Разработка    «вопросника» — своего    рода    формализованной

истории болезни, представляющей собой перечень четко сформули

рованных вопросов о наличии (отсутствии) симптомов и синдромов,

входящих в описание заболевания.

3.         Подготовка «материала обучения» — некоторой группы исто

рий болезни, содержащей примеры течения заболеваний  (в нашем

случае у больных с ушибом  мозга и с ушибом мозга со сдавле-

нием).

4.         Разработка или выбор алгоритмов обучения.

5.         Построение  программ  кодирования,  обучения   и   постановки

диагноза; проведение обучения системы и оценка результатов работы полученного диагностического правила.

Рассмотрим подробнее особенности каждого из этапов работы:

1. Фор м ир о в а ни е описания заболевания является одним из наиболее важных и сложных элементов построения диагностической системы. Как правило, число симптомов и синдромов, которые могут наблюдаться в период течения того или иного заболевания, очень велико. Так, по самым скромным подсчетам, число двоичных признаков, характерных для закрытой травмы черепа и головного мозга, превышает две тысячи2. Использовать все признаки для описания заболевания невозможно, так как это создаст непреодолимые трудности при подборе материала обучения (нужно будет найти большое количество историй болезни, обследованных по этим признакам), при кодировании историй болезни (врачу потребуется отвечать на тысячи вопросов), при обработке истории болезни в машине (вследствие ограниченной памяти современных машин) и т. п. Кроме того, наличие большого числа признаков в описании заболевания не позволяет применять наиболее эффективные алгоритмы обучения, основанные на поиске диагностически информативных сочетаний признаков, так как в этом случае пришлось бы использовать астрономические масштабы для измерения машинного времени, необходимого для обучения. Существуют и другие аргументы в пользу сокращения описания заболевания.

Несомненно, однако, что упомянутые требования вступают в противоречие с другим важным условием — описание заболевания должно с максимальной полнотой характеризовать диагностируемую патологию, иначе неизбежны ошибки при использовании любых алгоритмов обучения. Ясно, что в этих условиях для обоснованного выбора описания заболевания необходимо пользоваться какими-либо оценками информативности симптомов.

При построении диагностической системы по распознаванию травматической гематомы были использованы следующие оценки. При обработке 126 историй болезни (закодированных в соответствии с наиболее полным списком симптомов, встречающихся при закрытой  черепно-мозговой   травме)   для   каждого   симптома   вычислилась величина    Л.,- = log — _  , где P(xJB), P(xt/B)—условные вероятности симптома #,, соответственно, при ушибе мозга и при ушибе мозга со сдавлением.

С целью исследования возможности сокращения описания коэффициенты Я вычислялись не только для отдельных симптомов, но и для различных групп однородных симптомов; например, вместе с коэффициентами для каждого патологического рефлекса вычислялся коэффициент и для такого признака, как «наличие патологических рефлексов». Всего таких групп было 75. Одновременно определялись коэффициенты для динамических показателей, вычисляемых в виде градиентов изменения симптомов во времени (типа «ухудшение», «улучшение»), и для различных интервалов значений числовых физиологических параметров. Оценки К отражают особенности конкретного материала и вследствие ограниченного числа историй болезни недостаточны для выбора описания заболевания.

С целью получения более общих характеристик симптомов вычислялись так называемые экспертные оценки. 15 врачам-нейрохирургам было предложено (независимо друг от друга) выбрать из 400 симптомов, встречающихся при черепно-мозговой травме, три группы, содержащие соответственно 10, 30 и 60 симптомов, важнейших, с их точки зрения, для распознавания гематомы в остром периоде. По результатам опроса вычислялись величины

Описание заболевания формировалось, исходя из полученных оценок, а именно в него вошли все симптомы или однородные группы симптомов, для которых выполнялось одно из двух условий:

Интересно отметить неожиданный результат, полученный при проведении экспертных оценок. Только 1 симптом из 400 (анизоко-рия) был включен всеми врачами в первую группу (10 важнейших симптомов) и только 3 симптома более 5 раз включались в ту же группу. Другими словами, при решении одной и той же диагностической задачи разные врачи считают для себя важнейшими совершенно различные симптомы.

Такой большой разброс в оценке важности (информативности) симптомов врачами еще раз подчеркивает необходимость проведения групповых оценок вместо обычно используемого па практике метода, когда эту задачу поручают одному врачу, пусть даже хорошему специалисту.

2. «Вопросник», или карта для кодирования историй болезни, строится в соответствии со следующими требованиями: карта должна позволять закодировать всю необходимую информацию о больном, быть удобной для работы врача и обеспечивать возможность быстрой подготовки ввода данных в вычислительную машину. Для того чтобы удовлетворить перечисленным требованиям, приходится, действуя методом проб и ошибок, составлять последовательно несколько вариантов карты и проверять каждый вариант в работе.

3.         Подготовка  материала  обучения  является  исклю

чительно важным этапом работы. При неудачном подборе историй

болезни для обучения может оказаться, что машина будет решать

вовсе не ту задачу, которой ее хотели «научить». Например, если

в группу «ушиб» случайно попадут все истории болезни с благо

получным исходом, а в группу «ушиб со сдавлением» — с леталь

ным, то машина будет учиться прогнозировать исход травмы, а не

диагностировать наличие гематомы. Чтобы избежать этого, необхо

димо иметь в обучении истории болезни, отражающие как можно

больше различных форм течения заболевания. При подборе исто

рии болезни для обучения приходится учитывать степень обследо-

ванности больных и возможности верификации диагноза.

4.         Выбор  алгоритма  обучения.  В  настоящее  время су

ществуют достаточно много алгоритмов, которыми можно пользо

ваться при обучении диагностической системы. Условно их можно

разделить на три группы.

К первой группе относятся алгоритмы, использующие статистические методы, например алгоритм, основанный на формуле Байеса, последовательный анализ. Особенностью этих алгоритмов является то, что они используют ряд предположений о некоторых статистических свойствах симптомов, например таких, как статистическая независимость симптомов (учет статистической зависимости в виде условных вероятностей возможен лишь для очень малого количества симптомов). На практике эти предположения чаще всего оказываются невыполненными, что приводит при использовании указанных алгоритмов к   ошибкам в диагностике.

Вторая группа алгоритмов связана со следующими геометрическими представлениями. Считается, что группы историй болезни, принадлежащие разным диагнозам, представляют собой некоторые компактные области в пространстве, которое образуют симптомы (как известно, всякую историю болезни можно представить в виде точки пространства, координаты которой есть симптомы описания заболевания). При такой интерпретации в задачу обучения входит вычисление положения поверхности, отделяющей точки истории болезни одного диагноза от другого. Если положение разделяющей поверхности вычислено, то при предъявлении новой истории болезни можно легко определить, по какую сторону от разделяющей поверхности она находится, т. е. поставить диагноз.

Применение этих методов для машинной диагностики имеет свои недостатки. Дело в том, что для многих алгоритмов положение разделяющей поверхности определяют не все точки (истории болезни), а только те из них, которые лежат на границе классов. Эти точки должны соответствовать история болезни, которые являются трудными для диагностики. Однако при неполной обследо-ванности историй болезни часто получается так, что пограничными оказываются точки, соответствующие малообследованным историям болезни, и при проведении разделяющей поверхности симптомам, которые имеются в этих историях болезни, приписываются неоправ-дано высокие коэффициенты. Второй недостаток указанных алгоритмов связан с тем, что истории болезни, принадлежащие разным диагнозам, как правило, не образуют компактных областей в пространстве описаний, особенно в случаях проведения дифференциального диагноза для близких по клинической картине заболеваний. Это означает, что проведение в этом случае поверхности, точно разделяющей точки, принадлежащие историям болезни одного заболевания от другого, попросту невозможно, и при диагностике будут неизбежны ошибки, вызванные этим обстоятельством.

Алгоритмы обучения, принадлежащие к третьей группе, строят диагностическое правило, использующее содержательные признаки диагностируемых заболеваний. Поиск таких признаков проводится путем перебора различных сочетаний симптомов, образующих описание заболевания и выбора наиболее информативных сочетаний в качестве признаков.

По сравнению с алгоритмами первой и второй групп алгоритмы поиска содержательных признаков обладают преимуществами:

а)         они    менее   чувствительны    к    недостаточной    информации

о больном, имеющейся в историях болезни;

б)         применение этих алгоритмов не накладывает жестких огра

ничений на симптомы; например, не требует статистической неза

висимости симптомов и компактности историй болезни, принадле

жащих одному заболеванию, в пространстве симптомов;

в)         использование содержательных  признаков  позволяет легко

интерпретировать  процесс  постановки  диагноза  и  облегчает  кон

такт врача с машиной.

При проектировании диагностической системы проводилась сравнительная проверка нескольких алгоритмов обучения: последовательного анализа; алгоритма, основанного на формуле Байеса, алгоритма с коррекцией по ошибке, аналогичного изложенному в работе В. М. Угрюмова и соавт., 1964; и алгоритма «Студент», относящегося к группе алгоритмов поиска содержательных признаков и разработанного при построении диагностической системы. Идея алгоритма состоит в следующем. До начала диагностики «Студент» не обучается. При поступлении для диагностики истории болезни производится компактирование всех историй болезни материала обучения, а именно: в них оставляются только те значения симптомов, которые есть у диагностируемой истории болезни. По измененному таким образом материалу обучения производится перебор сочетаний симптомов с целью поиска содержательных признаков. Уменьшение числа параметров, участвующих в переборе, которое достигается компактированием материала обучения, позволяет проводить более глубокий анализ сочетаний симптомов, что приводит к улучшению качества диагностики. При использовании «Студента» отбираются только такие признаки, которые необходимы для диагностики данной истории болезни.

Оценка качества работы алгоритмов обучения проводилась методом «скользящего узнавания», сущность которого состоит в следующем. Пусть имеется материал обучения, содержащий N историй болезни. При проведении скользящего узнавания из этой группы историй болезни циклически выбирается по одной истории, которая служит «контрольной группой». По остальным N— 1 историям болезни проводится обучение. После диагностики выбранной истории болезни она вновь включается в материал обучения и выбирается другая история болезни, для которой весь процесс (обучение и диагностика) повторяется заново.

По окончании скользящего узнавания будут получены результаты диагностики N историй болезни. При этом обучение каждый раз проводится на группе Л^ — 1 историй болезни. Преимущество такого метода очевидно: все имеющиеся истории болезни используются для обучения и контроля, что позволяет получить более обоснованную оценку качества работы   диагностической   системы.

Для окончательной проверки диагностической системы распознавания внутричерепных травматических гематом в 1970 г. в течение 3 месяцев проводилось ее клиническое испытание. Во время испытаний данные первичного осмотра больных с тяжелой закрытой черепно-мозговой травмой, поступивших в Ленинградский нейрохирургический институт, передавались по телефону на ЭВМ и через 25—30 мин, необходимых для ввода данных и постановки диагноза, последний сообщался в клинику. Всего на ЭВМ было продиагностировано 39 больных, у которых по данным первичного осмотра можно было заподозрить гематому. Результаты испытаний помещены в табл. 8 и 9, где, кроме того, приведены результаты диагностики тех же больных в клинике по первому осмотру. При оценке результатов диагностическими ошибками врачей считались случаи позднего обнаружения внутричерепных гематом (на секции— 1 больной), а также наложение диагностических фрезевых отверстий больным при отсутствии внутричерепных гематом (3 человека). Учитывая сложность дифференциального диагноза между тяжелым ушибом и ушибом со сдавлением мозга, следует признать результаты клинических испытаний системы хорошими и положительно оценить возможности применения математических методов для диагностики внутричерепных гематом у больных с закрытой травмой черепа и головного мозга.