<<
>>

4.3. Экспериментальная проверка математических моделей прогнозирования и ранней диагностики заболеваний работников агропромышленного комплекса, контактирующих с ядохимикатами.

Приведенные выше результаты экспериментального оценивания носят субъективный характер, требующий объективизации путем статистических испытаний на репрезентативных контрольных выборках.

Объемы выборок определялись по принятым в теории распознавания образов методам [100, 137]. Для удобства вычислений и сопоставительного анализа число обследуемых было выбрано постоянным и составило 100

человек на каждый класс, что позволило для различных годов наблюдения за эталон оценки вероятности правильной классификации выбрать уровень 0,95.

Качество классификации оценивалось по показателям диагностической чувствительности (ДЧ), специфичности (ДС), диагностической эффективности (ДЭ), прогностической значимости положительных (ПЗ+) и отрицательных (ПЗ-) результатов.

В ходе контроля правил прогнозирования профессиональных заболеваний работников АПК, контактирующих с сельскохозяйственными ядохимикатами (модели 3.17, 3.18, 3.19), было организовано наблюдение за состоянием их здоровья.

Процесс наблюдения осуществлялся в течение 5-ти лет.

В начале исследований (первый год) было произведено измерение информативных признаков задачи прогноза появления заболевания с расчетом UPh(модель 3.17), UPc(модель 3.18), up(модель 3.19).

В ходе анализа структуры данных был выбран порог дефазиффикации на уровне 0,55. Относительно этого порога было отобрано 100 работников АПК, по которым математические модели 3.17, 3.18 и 3.19 приняли решение о том, что они останутся в классе «здоровые», и 100 работников по которым модели приняли решение о переходе в классы исследуемых заболеваний (классы ®пн , ®пс и ®цд).

После каждого года наблюдения производилась фиксация количества заболевших и не заболевших обследуемых.

Результаты работы прогностических решаюзих правил фиксировались с расчетом всех показателей качества.

Результаты этого расчета по классу ω∣∣∣lприведены в таблице 4.2., по классу ωπc- в таблице 4.3, а по классу ω∣u- в таблице 4.4.

Таблица 4.2.

Оценка качества работы прогностической математической

модели по классу ω∏∏

^\Год наблю- ^\дения

ПК

1 2 3 4 5
ДЧ 0,64 0,73 0,86 0,89 0,90
ДС 0,92 0,91 0,92 0,93 0,93
ДЭ 0,78 0,82 0,89 0,91 0,92
ПЗ+ 0,89 0,89 0,91 0,93 0,93
ПЗ- 0,72 0,77 0,87 0,92 0,90

Примечание: ПК - показатели качества.

Таблица 4.3. Оценка качества работы прогностической математической

модели по классу ω∏c

^\Год наблю­дения ПК 1 2 3 4 5
ДЧ 0,68 0,78 0,93 0,93 0,94
ДС 0,94 0,92 0,92 0,94 0,95
ДЭ 0,81 0,85 0,93 0,93 0,94
ПЗ+ 0,92 0,93 0,92 0,94 0,95
ПЗ- 0,75 0,81 0,93 0,90 0,94

Примечание: ПК - показатели качества.

Таблица 4.4. Оценка качества работы прогностической математической

модели по классу шПд

^\Год наблю­дения ПК 1 2 3 4 5
ДЧ 0,69 0,81 0,88 0,93 0,94
ДС 0,93 0,94 0,94 0,95 0,95
ДЭ 0,81 0,87 0,91 0,94 0,95
ПЗ+ 0,9 0,93 0,94 0,95 0,95
ПЗ- 0,75 0,88 0,88 0,93 0,94

Примечание: ПК - показатели качества.

Анализ данных таблиц 4.2,...,4.4 показывает, что показатели ДЧ, ПЗ-,

ДЭ растут от года к году.

К третьему году качество работы прогностических решающих правил стабилизируется, и далее остается достаточно высоким. Это позволило экспертам выбрать трехлетний срок как надежное время прогноза профессиональных заболеваний работников АПК, контактирующих с ядохимикатами.

Показатели ДС и ПЗ+ остаются высокими для всех периодов наблюдения, что говорит о том, что прогностические математические модели «мало ошибаются» по классу здоровых людей. Значительная ошибка характерна для классов “заболевших”.

При оценке качества работы математических моделей ранней диагностики (классы ωra, ®РС и ®РД) не требуется анализ временных трендов.

В каждый из наблюдаемых годов, несмотря на рост колличества контролируемых работников, получающих раннюю стадию исследуемых заболеваний, адекватные решающие правила должны сохранять соответствующее качество классификации.

Для этого класса задач для экспериментальной проверки качества работы моделей 3.21, 3.23 и 3.24 ежегодно отбирались по 100 человек, не приобретших исследуемые заболевания и 100 человек с подтвержденной ранней стадией, расчет производится по таким показателям как ДЧ, ДС, ДЭ.

В таблице 4.5. приведены средние значения показателей качества классификации классов юрн , ω∣>cи ω∣>.l.

Таблица 4.5. Оценка качества работы диагностических математических

моделей.

Классы ωl

ПК \

®пн ®ПС ®ПД
ДЧ 0,92 0,91 0,92
ДС 0,95 0,93 0,95
ДЭ 0,93 0,92 0,93

Анализ результатов профессиональных испытаний, полученных прогностических (таблицы 4.2, 4.3, 4.4) и диагностических (таблица 4.5) решающих правил показывает, что они дают результаты соизмеримые с результатами математического моделирования и экспертного оценивания.

Полученные количественные характеристики позволяют рекомендовать результаты диссертационной работы в медицинскую практику лечебно-профилактических учреждений, обслуживающих АПК.

Выводы четвертой главы

1. Предложенный алгоритм управления процессами принятия решений обеспечивает взаимодействие врачей профпатологов с ИСШ1Р и математических моделей, решающих задачи прогнозирования, ранней диагностики, рационального выбора схем профилактики и лечения работников АПК, занятых в растениеводстве с учетом факторов риска, вызываемых контактом с сельскохозяйственными ядохимикатами, индивидуальными факторами риска, экологической обстановкой и др.

2. Предложенная интеллектуальная система поддержки принятия решений формирует рекомендации по оптимизации ведения пациентов, контактирующих с сельскохозяйственными ядохимикатами.

3. Проведенные статистические испытания на репрезентативных контрольных выборках показали, что предложенные в работе метод, модели и алгоритмы обеспечивают решение задач прогнозирования и ранней диагностики заболеваний нервной и сердечно-сосудистой систем, а также системы дыхания с качеством приемлемым для медицинской практики.

<< | >>
Источник: Степашов Роман Владимирович. МЕТОД, МОДЕЛИ И АЛГОРИТМ ПРОГНОЗИРОВАНИЯ И РАННЕЙ ДИАГНОСТИКИ ПРОФЕССИОНАЛЬНЫХ ЗАБОЛЕВАНИЙ РАБОТНИКОВ АГРОПРОМЫШЛЕННОГО КОМПЛЕКСА, КОНТАКТИРУЮЩИХ С ЯДОХИМИКАТАМИ, НА ОСНОВЕ ГИБРИДНЫХ НЕЧЕТКИХ ТЕХНОЛОГИЙ. Диссертация на соискание ученой степени кандидата технических наук. Курск - 2018. 2018

Еще по теме 4.3. Экспериментальная проверка математических моделей прогнозирования и ранней диагностики заболеваний работников агропромышленного комплекса, контактирующих с ядохимикатами.:

  1. Степашов Роман Владимирович. МЕТОД, МОДЕЛИ И АЛГОРИТМ ПРОГНОЗИРОВАНИЯ И РАННЕЙ ДИАГНОСТИКИ ПРОФЕССИОНАЛЬНЫХ ЗАБОЛЕВАНИЙ РАБОТНИКОВ АГРОПРОМЫШЛЕННОГО КОМПЛЕКСА, КОНТАКТИРУЮЩИХ С ЯДОХИМИКАТАМИ, НА ОСНОВЕ ГИБРИДНЫХ НЕЧЕТКИХ ТЕХНОЛОГИЙ. Диссертация на соискание ученой степени кандидата технических наук. Курск - 2018, 2018
  2. ВВЕДЕНИЕ
  3. 2 метод и модель нечеткого прогнозирования и ранней диагностики профессиональных заболеваний работников агропромышленного комплекса, контактирующих с ядохимикатами
  4. 2.2. Метод синтеза нечетких решающих правил прогнозирования и ранней диагностики работников агропромышленного комплекса, контактирующих с ядохимикатами.
  5. 2.3. Информационно-аналитическая модель принятия решений по прогнозированию и ранней диагностике профессиональных заболеваний.
  6. СИНТЕЗ НЕЧЕТКИХ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ И РАННЕЙ ДИАГНОСТИКИ ЗАБОЛЕВАНИЙ, ПРОВОЦИРУЕМЫХ ДЕЙСТВИЕМ СЕЛЬСКОХОЗЯЙСТВЕННЫХ ЯДОХИМИКАТОВ.
  7. 3.2. Синтез гибридных нечетких решающих правил прогнозирования возникновения профессиональных заболеваний работников агропромышленного комплекса, занятых в растениеводстве.
  8. 3.3. Синтез гибридных нечетких моделей ранней диагностики профессиональных заболеваний работников агропромышленного комплекса, занятых в растениеводстве.
  9. 4.3. Экспериментальная проверка математических моделей прогнозирования и ранней диагностики заболеваний работников агропромышленного комплекса, контактирующих с ядохимикатами.
  10. Математические модели прогнозирования повторного инфаркта миокарда по показателям перекисного окисления липидов и антиокислительной активности
  11. 2.4 Метод синтеза гетерогенных математических моделей прогнозирования повторного инфаркта миокарда в реабилитационном периоде
  12. Синтез математических моделей прогнозирования ишемических рисков на основе традиционных предикторов сердечно-сосудистых осложнений
  13. СОДЕРЖАНИЕ
  14. МЕТОДЫ СИНТЕЗА МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ, РАННЕЙ ДИАГНОСТИКИ И ОЦЕНКИ ФУНКЦИОНАЛЬНЫХ СОСТОЯНИЙ РАБОТНИКОВ ЭЛЕКТРОЭНЕРГЕТИКИ.
  15. 2.2. Метод синтеза нечетких математических моделей прогнозирования и ранней диагностики профессиональных заболеваний работников электроэнергетики.
  16. МАТЕМАТИЧЕСКИЕ МОДЕЛИ ПРОГНОЗИРОВАНИЯ И РАННЕЙ ДИАГНОСТИКИ ПРОФЕССИОНАЛЬНЫХ ЗАБОЛЕВАНИЙ, ПРОВОЦИРУЕМЫХ ЭЛЕКТРОМАГНИТНЫМИ ПОЛЯМИ.
- Акушерство и гинекология - Анатомия - Андрология - Биология - Болезни уха, горла и носа - Валеология - Ветеринария - Внутренние болезни - Военно-полевая медицина - Восстановительная медицина - Гастроэнтерология и гепатология - Гематология - Геронтология, гериатрия - Гигиена и санэпидконтроль - Дерматология - Диетология - Здравоохранение - Иммунология и аллергология - Интенсивная терапия, анестезиология и реанимация - Инфекционные заболевания - Информационные технологии в медицине - История медицины - Кардиология - Клинические методы диагностики - Кожные и венерические болезни - Комплементарная медицина - Лучевая диагностика, лучевая терапия - Маммология - Медицина катастроф - Медицинская паразитология - Медицинская этика - Медицинские приборы - Медицинское право - Наследственные болезни - Неврология и нейрохирургия - Нефрология - Онкология - Организация системы здравоохранения - Оториноларингология - Офтальмология - Патофизиология - Педиатрия - Приборы медицинского назначения - Психиатрия - Психология - Пульмонология - Стоматология - Судебная медицина - Токсикология - Травматология - Фармакология и фармацевтика - Физиология - Фтизиатрия - Хирургия - Эмбриология и гистология - Эпидемиология -