Спосіб нейромережевого прогнозування захворюваності на туберкульоз

Реферат: Спосіб нейромережевого прогнозування захворюваності на туберкульоз належить до техніки та медицини і може бути використаний для підвищення ефективності профілактики інфекційної захворюваності, в певному регіоні завдяки медико-статистичному аналізу, а також оптимізації заходів щодо попередження впливу головних супутніх захворювань. UA 72418 U (54) СПОСІБ НЕЙРОМЕРЕЖЕВОГО ПРОГНОЗУВАННЯ ЗАХВОРЮВАНОСТІ НА ТУБЕРКУЛЬОЗ UA 72418 U UA 72418 U 5 10 15 20 25 30 35 40 45 50 55 Корисна модель належить до техніки та медицини і може бути використана для підвищення ефективності профілактики інфекційної захворюваності, зокрема на туберкульоз, в певному регіоні завдяки медико-статистичному аналізу, а також оптимізації заходів щодо попередження впливу головних супутніх захворювань. Найбільш ефективними для прогнозування інфекційної захворюваності на сьогодні є нейромережеві системи, що враховують складні, неявні та нерівнозначні таємні впливи багатьох чинників ризику [1]. При цьому достовірність прогнозу значною мірою залежить від того, як саме проводиться навчання побудованої нейромережі [2]. За прототип вибрано прогнозування часового ряду за допомогою нейтронної мережі в режимі ковзного вікна [3]. Позитивним в прототипі є те, що цей спосіб прогнозування враховує як трендові, так і сезонні компоненти динаміки захворюваності. Недоліком прототипу є використання досить великого масиву даних для первинного навчання нейронної мереж, а також забезпечення в процесі її тренування сходіння з заданою вірогідністю саме до цього первинного масиву даних, що в подальшому робить побудовану нейромережу нечутливою до випадкових та циклічних із тривалим періодом складових часового ряду. Суть корисної моделі полягає в тому, що для отримання прогнозу динаміки захворюваності на наступний квартал облікові картки хворих на туберкульоз групують по кварталах, за 5 років спостережень, що передують поточному, і відповідні клініко-епідеміологічні дані використовують за навчальну послідовність для нейронної мережі типу GRNN (Generalized Regression Neural Network), в якій низку поквартальних показників відносної зміни захворюваності на певній території за цей період зіставляють із тою ж самою послідовністю з зсувом на один квартал, після чого здійснюють проточування на основі всього ряду показників, включаючи поточний квартал. Характерними властивостями мережі типу GRNN, що спеціалізована на вирішення задач узагальненої регресії, апроксимації функцій та аналізу часових рядів, є дуже висока швидкість навчання, можливість значних відмін функцій апроксимації від значень послідовності, яка використовується для навчання, а також припустимість відміни вектора, що вводиться від тих, що використовуються в навчальній послідовності. Все це дозволяє постійно навчати мережу у міру надходження нових даних. Нейронну мережу будують за допомогою пакета Neural Network Toolbox програмного середовища MatLab з використанням М-функцiї nеwgrnn: spread=0.1; net=newgrnn(P, T,spread); v=sim(net, p); Структура нейромережі, що сконструйована та візуалізована засобами пакета Simulink з використанням функції gensim(net, ST), приведена на фіг. 1-2. Перший шар це радіальний базисний шар з кількістю нейронів, яка дорівнює кількості елементів Q навчальної множини, для матриці ваг якого як начальне наближення вибирається масив Р. Другий шар - це лінійний шар з кількістю нейронів, яка також дорівнює кількості елементів Q, однак для начального наближення для матриці ваг LW {2,1} вибирається масив Т. Проводячи навчання нейромережі на множині спостережень параметра захворюваності за останні чотири роки (16 кварталів), приймають Q=14 для прогнозування на черговий квартал і Q=15 для прогнозування на подальший квартал. Масиви Р і Т задають на множині показників різниці між значеннями кожного поточного та попереднього кварталів, відповідно з 1 по 14 та з 2 по 15 для Q=14; з 1 по 15 і з 2 по 16 для Q=15. Для вирішення задачі предикції на І квартал масиви Р і Т задають таким чином, що вектор цілей становить ту ж числову послідовність (значення відносної зміни показника захворюваності для кожного поточного й попереднього кварталів), що й вхідний вектор, але зі зсувом на один крок уперед. Відповідно для Q=14 Р={1,…14}, Т={2,…15} для Q=15 Р={1,…15}, Т={2,…16}, де і - показник відносної зміни захворюваності в і-том кварталі. Наводимо конкретні приклади реалізації заявленого способу. Приклад 1. Клініко-епідеміологічні дані, що отримані із застосуванням облікових карток хворих на туберкульоз, використовують для обчислення показників захворюваності у поданому регіоні та 1 UA 72418 U 5 10 15 20 25 30 35 40 45 представляють в вигляді послідовності з поквартальним кроком за період, не менший 4 років. Обчислюють відносні поквартальні зміни цього показника за формулою: і=(nі+1-nі)/nі, де nі - значення показника в поточному кварталі, nі-1 - значення показника в попередньому кварталі. Отриману низку показників представляють попарно в вигляді: (1→2, 2→3,…, і-1→і) і використовують за навчальну послідовність для конструювання нейромережі GRNN-типу за допомогою відповідних програмних засобів (наприклад, Matiab Neural Network Toolbox). Для обчислення прогнозованого значення на черговий квартал в сконструйовану нейромережу вводять всю наявну послідовність показників  (1, 2, …і), одержуючи на виході очікуваний результат в вигляді послідовності показників  (2, 3,…, і+1), де і+1 прогнозоване значення зміни захворюваності на черговий квартал. Приклад 2. Використовують обчислене за способом № 1 прогнозоване значення зміни захворюваності на черговий квартал для конструювання нейромережі, яку навчають на розширеній зa рахунок цього послідовності показників, представлених попарно в вигляді: (1→2, 2→3,…, і-1→nі, і→і+1). Для обчислення прогнозованого значення на наступний квартал після чергового в сконструйовану таким чином нейромережу вводять всю наявну послідовність показників  (1, 2, … і, і+1), одержуючи на виході очікуваний результат в вигляді послідовності показників  (2, 3,…, і+2), де і+2 - прогнозоване значення зміни захворюваності на наступний квартал після чергового (фіг. 3). Таким чином, спосіб надає можливості підвищити ефективність профілактики інфекційної захворюваності, зокрема на туберкульоз, в певному регіоні завдяки медико-статистичному аналізу, а також оптимізації заходів щодо попередження впливу головних супутніх захворювань. Джерела інформації: 1. Dreiseitl S., Ohno-Machado L. Logistic regression and artificial neural network classification models: A methodology review // J. Biomed. Inform.-2002. V. 35 (5-6).-P. 352-359. 2. E.M. Миркес. Нейроинформатика. - Красноярск: ИПЦ КГТУ, 2002.-347 с. 3. Артемкин Д.Е. Прогнозирование временного ряда с помощью искусственной нейронной сети в режиме скользящего окна // Перспективы развития российской экономики: Межвуз. сб. науч. тр. Вып. № 4. СПб.: Санкт-Петербургский военный университет связи, 2002. - С. 659-660. ФОРМУЛА КОРИСНОЇ МОДЕЛІ Спосіб нейромережевого прогнозування захворюваності на туберкульоз, при якому проводять клініко-епідеміологічні дії та враховують трендові й сезонні компоненти динаміки захворюваності, який відрізняється тим, що прогноз динаміки захворюваності на наступний квартал облікові картки хворих на туберкульоз групують по кварталах, за 5 років спостережень, що передують поточному, і відповідні клініко-епідеміологічні дані використовують за навчальну послідовність для нейронної мережі типу GRNN (Generalized Regression Neural Network), в якій низку поквартальних показників відносної зміни захворюваності на певній території за цей період зіставляють із тою ж самою послідовністю зі зсувом на один квартал, після чого здійснюють проточування на основі всього ряду показників, включаючи поточний квартал. 2 UA 72418 U 3 UA 72418 U Комп’ютерна верстка А. Крижанівський Державна служба інтелектуальної власності України, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601 4