Конкретный пример реализации алгоритма формирования интеллектуального агента для определения профессиональной пригодности по риску профессиональных заболеваний

При анализе структуры заболеваемости работников и курсантов МЧС акцент делался не на сезонных заболеваниях или эпидемиологические заболевания, а на заболевания хронического характера или на заболевания, связанные со спецификой работы сотрудников МЧС.

Деятельность спасателей, пожарных, сотрудников специальных подразделений и т. д., которая сопряжена с воздействием стрессогенных или экстремальных факторов как неустранимых элементов профессиональной среды, имеет реальную угрозу для здоровья, причем стоимость подготовки таких специалистов высока. Эти обстоятельства определяют важность, с одной стороны, отбора наиболее устойчивых лиц к опасным условиям деятельности, с другой - раннего выявления риска патологических отклонений у этих специалистов и их своевременной профилактики.

Для определения риска заболеваний тестировались больные, находящиеся на стационарном лечении с выбранной группой заболеваний.

Процесс построение модели интеллектуального агента по схемам алгоритмам рисунок 5.9 и рисунок 5.10 включает следующую последовательность процедур.

1. Выделение релевантных заболеваний работников МЧС.

Для определения актуальных заболеваний для работников МЧС были проведены статистические исследования структуры заболеваемости за 2011 - 2016 годы среди работников и курсантов Воронежского института ГПС МЧС России. Пример бланка отчетности, на основе которого проводились статистические исследования, приведен в таблице 5.1.

Таблица 5.1 - Анализ заболеваемости курсантов и слушателей за 12 месяцев

2012года

2.

2. Одна из методик прогнозирования профессиональных заболеваний, которая используется при профессиональном отборе по профессиям, которые сопряжены с воздействием стрессогенных или экстремальных факторов, включает в себя комплексное выполнение 7 тестов: «Шкала состояний», «Опросник для оценки острого физического утомления», «Опросник для оценки острого умственного утомления», «Шкала дифференциальных эмоций», «Шкала ситуативной тревожности», «Шкала личной тревожности», «Степень хронического утомления» [121]. В результате прохождения каждого теста конкретный испытуемый характеризуется определенным числом показателей (от одного до четырех), выраженных в баллах. Эти показатели представлены на шкалах, определяющих уровень функционального состояния испытуемого. Шкалы являются достаточно субъективными и не имеют теоретического обоснования. То же самое может быть сказано относительно агрегации этих шкал при принятии окончательного решения. Полагаем, что результаты тестов являются соответствующими суррогатными маркерами.

3. На реальных данных опросных анкет и тестов, направленных на изучение условий и образа жизни тестируемого, построить пространство информативных признаков, содержащее семь суррогатных маркеров: в каждой эталонной группе для каждого образца формируем семь векторов информативных признаков, компоненты которых определяет реакция данного образца на соответствующий опросник (тест) (схема формирования пространства информативных признаков представлена на рисунке 5.6).

3. Для каждого суррогатного маркера построить подмножество «слабых» классификаторов, число элементов которого соответствует числу сформированных эталонных групп риска патологии ω₁:

298

Процесс формирования «слабого» классификатора для теста «Шкала состояний» (вектор информативных признаков в этом тесте имеет одну компоненту) представлен на рисунке 5.11.

Рисунок 5.11 - Гистограммы по тесту «Шкала состояний» для эталонных групп класса «Здоров» и класса «Болен»

На рисунке 5.11а показана гистограмма для теста «Шкала состояний» эталонной группы из ста пациентов, подверженных травматизму. На рисунке 5.11б показана гистограмма эталонной группы из ста пациентов не подверженных травматизму. На рисунке 5.11в показана дифференциальная гистограмма, полученная как результат вычитания из гистограммы подверженных травматизму гистограммы не поверженных травматизму. Эта дифференциальная гистограмма взята за основу построения «слабого» классификатора по суррогатному маркеру «Шкала состояний».

4. Построить множество промежуточных «сильных» классификаторов для каждой экспериментальной группы

связывающих подмножество М суррогатных маркеров (Тест) с

моделируемой расчетной величиной (Риск).

5. Для каждой экспериментальной группы провести фильтрацию моделей с учетом экспертной оценки влияния выбранных информативных признаков на прогноз риска заболевания φ₁.

6. Построить промежуточные «сильные» классификаторы путем агрегирования «слабых» классификаторов по суррогатным маркерам с учетом «фильтра» по эталонным группам

7. Реализовать выходной слой модуля принятия решений в виде агрегатора: на выходе решающего модуля присутствует финальный (обобщенный) критерий риска травматизма

В результате прохождения каждого теста конкретный испытуемый получает определенное число баллов, которые получены на шкале, характеризующей уровень функционального состояния испытуемого. Риск заболевания ω₁, определяемый на основе прохождения j-го теста на эталонной группе i,может быть определен по формуле Байеса где- условная вероятность события Tecmjпри наличии

заболевания ω₁, P(ω₁) - априорная вероятность заболевания ω₁, РДест^) - априорная вероятность события Tecтj.

Априорная вероятность P(ω₁) определяется из медицинских статистических данных по травматизму в исследуемом регионе. Вероятность РДест^) определяется как статистический показатель Tecтjпо исследуемым выборкам больных и здоровых пациентов. Так как здоровых, в смысле не больных заболеванием ω_x, значительно больше больных заболеванием ω_x, то здесь можно использовать только результаты на выборке класса ω₂, то есть на выборке класса «Здоров».

Для определения условной вероятности события Tecтjпри свершившемся событии ω(наличия травмы у обследуемого), необходимо протестировать эталонную группу пациентов, страдающих заболеванием ω₁, посредством теста Tecтj.Примеры таких гистограмм для выборок «ЗДОРОВ» и «БОЛЕН» представлены на рисунке 5.11.

Для получения конкретного значения априорной величины Р^Тест _ι∣ω₁) строят гистограмму результатов тестирования Tecтjпо выборкам «Болен ω_x» (для теста «Шкала состояний» она приведена на рисунке 5.11а). «Слабый»

классификатор для методики Тесту получаем согласно уравнению (5.17). Выполняя отсчет по оси ординат априорно полученной гистограммы, определенный по результатам апостериорного тестирования, и нормируя его по величинеполучаем «слабый» классификатор. На рисунке 5.12а

показан график нормирующего коэффициента. При построении этого графика полагали, что априорная вероятность P(ω₁)=0,1.

Рисунок 5.12 - Графики, иллюстрирующие формирование «слабого» классификатора с использованием критерия Байеса на примере прогнозирования травматизма

На рисунке 5.12б показаны графики «слабых» классификаторов, полученные на основе формулы (5.17) и графиков рисунке 5.11в для классов ω₁- травматизм и ω₂- здоров (результат: перемножение этих графиков).

Для определения «сильного» классификатора риска R₁jзаболевания ω₁по j- му маркеру объединяют частные риски, полученные по всем «слабым» классификаторам, полученным на Nэталонных группах по соответствующему тесту функционального состояния по правилу нечеткого «ИЛИ»:

Финальный «сильный» классификатор получаем по правилу сложения вероятностей совместных событий

Полученные экспериментальные результаты показали, что разработанный метод прогнозирования риска профессионального заболевания является универсальным инструментом. Решающие модули как «слабых», так и «сильных» классификаторов могут строиться на основе любой интеллектуальной платформы. Эффективность алгоритма слабо зависит от диагностической эффективности суррогатных маркеров или от «удачного» формирования экспериментальных выборок. В случае неудачного выбора этих компонентов, соответствующее множество станет пустым (блоки 21 и

24 схемы алгоритма рисунок 5.9), что вынудит исследователя перейти к новым выборкам или новым суррогатным маркерам.

5.4