Методы интеллектуальной поддержки принятия клинических решений на основе конечных автоматов тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат наук Ватьян Александра Сергеевна

• Ватьян Александра Сергеевна
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Ватьян Александра Сергеевна

СОДЕРЖАНИЕ

СОДЕРЖАНИЕ

РЕФЕРАТ

SYNOPSIS

ВВЕДЕНИЕ

ГЛАВА 1. ПРОБЛЕМНО-ОРИЕНТИРОВАННЫЙ АНАЛИЗ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ КЛИНИЧЕСКИХ РЕШЕНИЙ

1.1. Моделирование клинического процесса

1.2. Клиническое решение и его поддержка

1.3. Характеристики медицинской информации, используемой для поддержки клинического процесса

1.4. Постановка задач диссертационного исследования

Выводы по первой главе

ГЛАВА 2. КОНЦЕПТУАЛЬНАЯ СТРУКТУРА СПКР НА БАЗЕ АВТОМАТНОЙ МОДЕЛИ КЛИНИЧЕСКОГО ПРОЦЕССА

2.1. Базовый подход к построению автоматной модели клинического процесса

2.2. Извлечение информации из текстов клинических протоколов для построения скелета автомата

§ 2.3. Реализация скелетов автоматов для различных клинических процессов

Выводы по второй главе

ГЛАВА 3. ИЗВЛЕЧЕНИЕ МЕДИЦИНСКОЙ ИНФОРМАЦИИ ДЛЯ ПОСТРОЕНИЯ ПОЛНОГО АВТОМАТА

3.1. Извлечение информации из медицинских текстов для выявления побочных действий лекарственных средств

§ 3.2. Слияние медицинской информации различных типов для построения полного автомата

Выводы по третьей главе

ГЛАВА 4. ОБРАБОТКА МЕДИЦИНСКОЙ ИНФОРМАЦИИ ДЛЯ ПОСТРОЕНИЯ ПОЛНОГО АВТОМАТА

4.1. Анализ формальных понятий как средство интеллектуализации поддержки клинических решений

§4.2 Реализация сравнительной оценки ограничений при принятии врачебного

решения на примере ведения пациентов с ишемической болезнью сердца

Выводы по четвертой главе

ГЛАВА 5. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ РАЗРАБОТАННОЙ СПКР И ЭКСПЕРИМЕНТАЛЬНАЯ ОЦЕНКА ПРЕДЛОЖЕННОГО РЕШЕНИЯ

5.1. Программная реализация СПКР

5.2. Разработка интерфейса СПКР

5.3 Результаты экспериментальных оценок эффективности СПКР

Выводы по пятой главе

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

ПРИЛОЖЕНИЯ

Приложение А

Приложение Б

Приложение В

Приложение Г

Введение диссертации (часть автореферата) на тему «Методы интеллектуальной поддержки принятия клинических решений на основе конечных автоматов»

РЕФЕРАТ

Актуальность темы. Сердечно-сосудистые заболевания (ССЗ) являются основной причиной смерти во всем мире: ни по какой другой причине ежегодно не умирает столько людей, сколько от ССЗ. По оценкам, в 2016 году в мире от ССЗ умерло 17,9 миллиона человек, что составило 31% всех случаев смерти. 85% этих смертей произошло в результате сердечного приступа или инсульта. Кроме того, смертность от побочных реакций на лекарства стоит в мире на пятом месте после сердечно-сосудистых, онкологических, бронхолегочных заболеваний и травматизма. До трети больных в разных странах госпитализируют именно вследствие нежелательных побочных реакций на лекарства.

Поэтому проблема лечения пациентов с сердечно-сосудистыми заболеваниями с учетом побочных действий назначаемых лекарств является актуальной.

Повышение качества медицинской помощи сегодня связывается с Концепцией 4П-медицины1, одним из основных средств реализации которой является переход к электронному здравоохранению. Развитие электронного здравоохранения объявлено одним из ключевых направлений проекта «Национальное здравоохранение» на 2018-2024 гг. в России. В его рамках Министерство здравоохранения РФ ставит задачу создания систем поддержки принятия клинических решений (СПКР) на основе «...клинических протоколов, которые являются алгоритмами дальнейших действий - с точки зрения тактического лечения (что необходимо сделать и как им управлять) и дополнительного обследования» 2. Более того, необходимость строгого исполнения утвержденных клинических рекомендаций определена законо-

3

дательно .

1 Приказ Министерства здравоохранения РФ от 24 апреля 2018 г. N 186 "Об утверждении Концепции предиктив-ной, превентивной и персонализированной медицины". https://www.garant.ru/products/ipo/prime/doc/71847662/

2 Брифинг министра здравоохранения Вероники Скворцовой. 13 декабря 2017.

https://www.rosminzdrav.ru/news/2017/12/13/6603-brifing-ministra-veroniki-skvortsovov-po-zavershenii-zasedaniva-

prezidiuma-soveta-pri-prezidente-rossivskov-federatsii-po-strategicheskomu-razvitivu-i-prioritetnvm-proektam-pod-

predsedatelstvom-dmitriva-medvedeva.

3 Федеральный закон "О внесении изменений в статью 40 ФЗ "Об обязательном медицинском страховании в РФ" и Федеральный закон "Об основах охраны здоровья граждан в РФ" по вопросам клинических рекомендаций" от 25.12.2018 № 489-ФЗ

Основной целью Концепции 4П является обеспечение персонализированной медицинской помощи каждому пациенту. Как показывает анализ мировой и отечественной научной литературы, эта многогранная проблема главным образом рассматривается в аспекте прогнозирования заболеваний и влияния различных факторов на риски их развития. В то же время аспект «повышения эффективности традиционных методов лечения путем персонализации их применения» пока не находит должного отражения, хотя он весьма важен с точки зрения организации процесса лечения уже существующего заболевания у конкретного пациента. В частности, СПКР должна предоставлять врачу при каждом принятии решения возможность учитыать специфические особенности пациента, включая отрицательные реакции на лекарства и другие потенциальные противопоказания, что может быть обеспечено за счет автоматизации интеллектуальной поддержки принятия клинических решений.

Не менее важными и также многоаспектными требованиями к организации медицинской помощи являются безопасность и стандартизация процесса. В РФ действует комплекс законодательных актов, направленных на обеспечение конфиденциальности персональных данных4. Аналогичные законы существуют и в других странах, в частности, в США5. В то же время недостаточное внимание уделяется защите от несанкционированного изменения и предумышленной фальсификации данных, причем со стороны не только медицинского, но и технического персонала, и даже самого пациента. Эффективным путем решения этой проблемы в СПКР является использование формальных (в частности, автоматных) методов его разработки и проверки, однако применительно к поддержке медицинских клинических процессов такие методы разработаны слабо.

Под стандартизацией чаще всего понимают необходимость включения СПКР как клинической информационной системы в общую систему информационной поддержки конкретного медицинского учреждения. Как показывает практика, в настоящее время в медицинских учреждениях РФ используются разные информа-

4 Федеральный закон "Об основах охраны здоровья граждан в Российской Федерации" от 21.11.2011 № 323-ФЗ, Федеральный закон "О персональных данных" от 27.07.2006 № 152-ФЗ

5 Health Insurance Portability and Accountability Act (HIPAA). Public law 104-191.

ционные стандарты6, которые отличаются моделью данных и даже терминологией, но проблема адаптируемости СПКР к различным информационным стандартам и медицинским системам в литературе не рассматривается.

Представляется, что комплексная реализация указанных требований в рамках создания СПКР для персонализированной медицинской помощи должна базироваться на методах формального (автоматного) моделирования в сочетании с методами искусственного интеллекта. Использование автоматной модели органично для построения СПКР, так как сама терминология медицинского процесса приводит к естественной мысли моделировать этот процесс в состояниях - использовать автоматный подход. Его правомерность подтверждается тем, что в международном стандарте управления, хранения и обмена электронными историями болезни openEHR6 для описания медицинских процессов представлен архетип (базовая сущность) State Machine, однако на практике он не реализован.

Поэтому разработка методов интеллектуальной поддержки принятия клинических решений на основе конечных автоматов является актуальной и своевременной задачей.

Степень разработанности темы. Исследования в области медицинских информационных систем в мире начались с работ Ledley R.S. (1959) [1], Barnett G.O. (1968) [2], Китова А.И. (1971) [3], van Bemmel J.H. (1984) [4], Осипова Г.С. (2005) [5] и активно продолжаются в настоящее время, выйдя на уровень использования искусственного интеллекта (Лебедев Г.С. [6], Назаренко Г.И. [5], Osipov E.[7, 8], Mann et al.[9], Garvin J.H. et al.[10], Blecker S. et al. [11], Silveira D.V. et al. [12], Kovalchuk S.V. et al. [13]). С этой проблематикой связан ряд крупных инициатив, выдвинутых различными компаниями и институтами, в том числе Международной ассоциацей медицинской информатики (International Medical Informatics Association, IMIA), 1967, Европейским обществом искусственного интеллекта в медицине (European So-

6 OpenEHR Architecture Overview, openEHR 2007, eds. S. Heard & T. Beale; HL7 standard description -http://www.mcis.duke.edu/standarts/HL7/hl7.htm

ciety for Artificial Intelligence in Medicine, AIME), 1986, и Ассоциацией развития медицинских информационных технологий (Россия, 2001).

Несмотря на столь давний интерес исследователей, в указанной проблематике наблюдаются разночтения даже на уровне терминологии. Так, в общемировых публикациях принято выделять два основных типа медицинских информационных систем: электронную медицинскую карту пациента (Electronic Medical Records, EMR) и СПКР (Clinical Decision Support, CDS). Отечественный стандарт предлагает разделять медицинские информационные системы на пять типов, среди которых аналогом СПКР выступают «медико-технологические информационные системы, предназначенные для информационного обеспечения процессов диагностики, лечения, реабилитации и профилактики пациентов в лечебно-профилактических учреждениях».

о

Функциональное назначение СПКР трактуется весьма широко . К функциям СПКР относят, например, обеспечение своевременных напоминаний врачам, информирование о необходимых анализах, аллергических реакциях на лекарственные препараты и т.д. Однако в доступной автору литературе, касающейся реализации СПКР, не удалось найти функцию подсказки действий врача в ходе клинического процесса - поддержки клинического протокола, как требуется в руководящих документах Минздрава РФ.

В качестве методологической базы для реализации СПКР в настоящей работе используется формализм конечных автоматов (Harel A., 1987 [14]; Шалыто А.А., 199S [15]; Adamczyk P., 2003 [16]; Новиков Ф.А., 2005 [17]). Методы формального моделирования в целом и формализм конечных автоматов, в частности, предлагаются к использованию в медицинских информационных системах достаточно давно (Tirat-Gefen Y.G. [1S], Jones P. [19], Ten Teije A. [20], Jiang Z. [21]), в том числе реко-

7 Информационные системы в здравоохранении. Общие требования. СТО МОСЗ 91500.16.0002-2004.

8 Ваганова Е.В. Медицинские информационные системы как объект оценки: факторы и тенденции развития. Вестник Томского государственного университета. Экономика. 2017. № 37. С. 113-130.

мендуются стандартами9, однако сведения об их применении в реальной практике разработки СПКР в литературе отсутствуют10.

Цели и задачи исследования. Целью исследования является повышение эффективности принятия клинических решений посредством интеллектуальной поддержки на основе конечных автоматов.

Для достижения цели были поставлены следующие задачи:

1. Провести проблемно-ориентированное исследование систем поддержки принятия клинических решений и выделить специфические свойства задачи поддержки принятия клинических решений.

2. Разработать метод построения скелета автомата, включающий его построение и его частичное информационное наполнение на базе клинического протокола. .

3. Разработать методику построения автомата, позволяющую добавить к его скелету недостающие пометки на дугах, связанные со сведениями о побочных действиях лекарственных препаратов, с возможностью использования профессиональных знаний врача, с учетом ограничений на доступность препаратов, назначаемых процедур и т.д.

4. Разработать open-source программный комплекс для СПКР и экспериментально оценить его эффективность.

Объект исследования. Процессы клинической диагностики и лечения пациентов на примерах сердечно-сосудистых заболеваний, бронхиальной астмы и рассеянного склероза.

Предмет исследования. Интеллектуальная поддержка принятия клинических решений на основе конечных автоматов.

Научная новизна работы обусловлена тем, что, как показал анализ, автоматный подход в реальных медицинских информационных системах используется для описания отдельных технических процедур (например, гемодиализ), а не для под-

9 ГОСТ Р МЭК 62304—2013. Изделия медицинские. Программное обеспечение. Процессы жизненного цикла. (IEC 62304:2006 «Medical device software — Software life cycle processes»)

10 Bonfanti S., Gargantini A., Mashkoor A. A Systematic Literature Review of the use of Formal Methods in Medical Software Systems. J. Softw. Evol. and Proc. 2017; 00:1-23

держки клинического процесса лечения пациента в целом. Несмотря на то, что современные средства поддержки автоматного программирования предоставляют широкие возможности для моделирования процессов принятия отдельных решений [109], такой подход для построения СПКР до сих пор не использовался - является новым. Научную новизну предлагаемого в диссертации подхода также подтверждают рецензии на материалы выступлений автора на международных конференциях и на научно-исследовательские работы РНФ и РФФИ, выполняемые при участии автора. Таким образом, научная новизна работы состоит в комплексной разработке методов интеллектуализации принятия клинических решений на основе конечных автоматов. При этом разработаны:

1. Метод построения скелета автомата, включающий его построение и его частичное информационное наполнение на базе клинического протокола.

2. Методика построения автомата, позволяющая добавить к скелету автомата недостающие пометки на дугах, связанные со сведениями о побочных действиях лекарственных препаратов, с возможностью использования профессиональных знаний врача, с учетом ограничений на доступность препаратов и назначаемых процедур.

На защиту выносятся:

1. Метод построения скелета автомата, автоматизирующий построение вершин, дуг и пометок на них, а также информационное наполнение на базе клинического протокола.

2. Методика построения автомата, позволяющая добавить к скелету автомата недостающие пометки на дугах, связанные с:

2.1. Сведениями о побочных действиях лекарственных препаратов, что осуществляется на основе машинного обучения.

2.2. Возможностью использования профессиональных знаний врача, что осуществляется на основе глубоких нейронных сетей.

2.3. Учетом ограничений на доступность препаратов, назначаемых процедур и т.д., что осуществляется на основе анализа формальных понятий (Formal Concept Analysis).

Методы исследования. В диссертационной работе применялась теория конечных автоматов (Finite Automata), методы интеллектуального анализа текстов (Text Mining), метод анализа формальных концептов (Formal Concept Analysis), методы машинного обучения (SVM, LSA, ARTM), глубокие нейронные сети (Con-volutional Neural Networks) типов U-Net, VGG11, рекуррентные нейронные сети (Recurrent Neural Networks, RNN) типа LSTM. При разработке программного комплекса использованы методы объектно-ориентированного программирования.

Достоверность положений и результатов, представленных в диссертации, подтверждается корректной и обоснованной постановкой задач, подтверждается совместной работой с медицинскими экспертами, результатами экспериментальных исследований, проведенных совместно с врачами-клиницистами, а также внедрением полученных результатов в медицинскую практику.

Теоретическая значимость работы состоит в комплексной разработке методов интеллектуализации поддержки принятия клинических решений врачами при ведении пациентов, а также в решении задач повышения эффективности принятия решений врачами-клиницистами.

Практическая значимость результатов диссертации состоит в разработанной системе поддержки принятия клинических решений. Область применения полученных результатов охватывает поддержку различных клинических процессов, включает в себя анализ состояний пациентов, персонализированные рекомендации по оценке, лечению и назначению различных лекарственных препаратов, учет профессиональных знаний врачей при назначении лечения. Эффективность разработанной СПКР была экспериментально оценена (глава 5) на основе международных стандартов эффективности и юзабилити разрабатываемых систем поддержки принятия решений, в том числе клинических: по опроснику SUS средний балл составил 80.1, что является весьма высоким показателем; число обращений к внешним ис-

точникам информации сократилось в шесть раз; время обращения к внешним источникам информации сократилось в 2,5 раза; среднее время принятия решения о переходе на следующий шаг сократилось на 40%.

Соответствие паспорту специальности. Работа выполнена в соответствии с паспортом специальности ВАК РФ 05.13.10 «Управление в социальных и экономических системах» по п. 10 «Разработка методов и алгоритмов интеллектуальной поддержки принятия управленческих решений в экономических и социальных системах».

Внедрение результатов работы. Результаты работы использованы в следующих НИОКР: «Разработка алгоритмов распознавания медико-биологических объектов методом переноса знаний с использованием глубоких нейронных сетей», грант РНФ №19-19-00696 от 29.04.2019г.; «Повышение точности диагностики рака легких посредством анализа КТ изображений с использованием технологий глубокого обучения и передачи знаний», НИР №618270 от 01.09.2018 г.; «Повышение точности диагностики рака легких посредством анализа КТ изображений с использованием глубокого обучения, а также интеграции разнородной медицинской информации», НИР №617042 от 13.11.2017г. Получены акты о внедрении результатов работы в практическую деятельность ФГБУ «НМИЦ им. В. А. Алмазова» Минздрава России, а также в практическую деятельность ООО «НМЦ-томография».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на отечественных и международных конференциях: 19th International Conference on Intelligent Data Engineering and Automated Learning (IDEAL 2019 Манчестер, Великобритания); International Conference on Pattern Recognition and Artificial Intelligence (PRAI 2019, Wenzhou, China); 25th Conference of the Open Innovations Association FRUCT (Хельсинки, Финляндия); 11th International Conference on e-Health (E-Health 2019, Порто, Португалия); 2019 2rd International Conference on Software and Services Engineering (ICSSE 2019, Прага, Чехия); 19th International Conference on Intelligent Data Engineering and Automated Learning

(IDEAL 2018 Мадрид, Испания); 21st International Conference on Text, Speech and Dialogue (TSD 2018 Брно, Чехия); Electronic Governance and Open Society: Challenges in Eurasia 2018 (EGOSE 2018, Санкт-Петербург, Россия); III международная конференция «Цифровые трансформации и глобальное общество» (DTGS); XLVII научная и учебно-методическая конференция Университета ИТМО; 21st Conference of the Open Innovations Association FRUCT (Санкт-Петербург, Россия); II международная конференция «Цифровые трансформации и глобальное общество» (DIGITAL TRANSFORMATION & GLOBAL SOCIETY - DTGS'17); XLVI Научная и учебно-методическая конференция Университета ИТМО, ISMW-FRUCT 2016; Международная конференция «Цифровые трансформации и глобальное общество» DIGITAL TRANSFORMATIONS & GLOBAL SOCIETY 2016 (DTGS 2016 Санкт-Петербург, Россия).

Публикации. Основное содержание диссертации опубликовано в 17 статьях, из них 10 публикаций в изданиях, рецензируемых Web of Science или Scopus, одна публикация в журналах из перечня ВАК и шесть охранных документов на результаты интеллектуальной деятельности.

Личный вклад соискателя состоит в планировании научной работы и в участии на всех этапах работы, в определении постановки и решения задач диссертационного исследования, в самостоятельном обзоре отечественной и зарубежной литературы по изучаемой проблематике, в проведении проблемно-ориентированного исследования СПКР, в обработке и анализе экспериментальных данных, в оценке эффективности СПКР, в написании и оформлении рукописи диссертации и основных публикаций по выполненной работе.

На основании проведенного исследования автором: 1. Проведено проблемно-ориентированное исследование СПКР и выделены специфические свойства задачи поддержки принятия клинических решений. 2. Разработан метод построения скелета автомата, включающий его построение и его частичное информационное наполнение на базе клинического протокола. 3. Разработана методика построения автомата, позволяющая добавить к его скелету недостающие пометки на дугах, свя-

занные со сведениями о побочных действиях лекарственных препаратов, с возможностью использования профессиональных знаний врача, с учетом ограничений на доступность препаратов, назначаемых процедур и т.д. 4. Разработан open-source программный комплекс для СПКР и экспериментально оценена его эффективность.

Структура диссертации. Диссертация состоит из введения, пяти глав, заключения, списка литературы (175 источников) и четыре Приложения. Содержит 324 страницы текста, включая 22 таблицы и 24 рисунка.

Заключение диссертации по теме «Управление в социальных и экономических системах», Ватьян Александра Сергеевна

5. РЕЗУЛЬТАТЫ И ВЫВОДЫ

Данная статья предлагает систему основанную на онтологиях для хранения информации по медицинской диагностике. Предложенная система концентрируется на определенном способе хранения медицинского контента - он позволяет пользователю не только хранить общепринятую для медицинской области информацию, но и предлагает решение проблемы хранения текущего исследования.

В процессе заполнения, система накопит достаточно сведений о процессе исследования и может быть использована для улучшения и упрощения рабочего процесса медиков и исследователей при подготовке клинических данных. Системный поиск позволяет пользователю узнать о необходимых результатах применения различных алгоритмов и методов к различным наборам данных, с учетом требований к конкретным признакам, которые были выбраны для них.

Дальнейшие работы нацелены на совершенствовании системы и расширении её базы данных для последующего применения.

Список литературы диссертационного исследования кандидат наук Ватьян Александра Сергеевна, 2019 год

СПИСОК ИСТОЧНИКОВ

1. Брук Н. Медицинские онтологии для представления текстовой и графической информации //Studia Universitatis Moldaviae. Ser. Stiin^e Exacte §i Economice. - 2013. - №. 2. - С. 69.

2. Москаленко Ф. М. Экспертная система медицинской диагностики, основанная на реальной онтологии медицины, для многопроцессорной ЭВМ //Тр. II междунар. конф. «Параллельные вычисления и задачи управления» PACO. - 2004. - С. 999-1084.

3. Клещев А. С., Москаленко Ф. М., Черняховская М. Ю. Онтология и модель онтологии предметной области «Медицинская диагностика» //Владивосток: Изд-во ИАПУ ДВО РАН. - 2005.

4. Андреев М. В., Мартышкин Д. М., Ситников П. В. Применение технологий семантических баз знаний в популяционном скрининге онкологических заболеваний //Перспективные информационные технологии (ПИТ 2015). - 2015. - С. 324-329.

5. Загорулько Ю. А., Загорулько Г. Б. Онтологии и их практическое применение в системах, основанных на знаниях //Всероссийская конференция с международным участием" Знания-0нтологии-Теории"(З0НТ-2011).-Новосибирск, Институт математики им. СЛ Соболева СО РАН. - 2011. - Т. 1.

6. Blake J.A., Harris M.A. The Gene Ontology (GO) project: structured vocabularies for molecular biology and their application to genome and expression analysis. Curr Protoc Bioinformatics 2008; Chapter 7: Unit 7.2.

7. Abidi S, Abidi S, Hussain S., Shepherd M. Ontologybased modeling of clinical practice guidelines: a clinical decision support system for breast cancer follow-up interventions at primary care settings. Stud Health Technol Inform, 129(Pt 2):845-9.9, 2007.

8. Kai-Lung Hua, Che-Hao Hsu, Hidayati S.C., Wen-Huang Cheng, Yu-Jen Chen: Computer-aided classification of lung nodules on computed tomography images via deep learning technique. Onco Targets Ther. 8: pp. 2015-2022. (2015)

9. Lotfy Abdrabou, E.A.M.; Salem, A.M.; "A breast cancer classifier based on a combination of case-based reasoning and ontology approach," Computer Science and Information Technology (IMCSIT), Proceedings of the 2010 International Multiconference on , vol., no., pp.3-10, 1820 Oct. 2010

10. Kumar D., Wong A. and Clausi D.: Lung Nodule Classification Using Deep Features in CT Images. 12th Conference on Computer and Robot Vision (CRV), Halifax, NS (June, 2015)

11. The Gene Ontology. Gene Ontology documentation, 2010.

http://www.geneontology.org/GO.contents. doc.shtml.

12. Gene Ontology Consortium. The Gene Ontology (GO) project in 2006. Nucleic Acids Res., 2006, 34

13. Wu C. Y., Trappey A.J.C., Trappey C.V. (2013) Using Patent Ontology Engineering for Intellectual Property Defense Support System. In: Stjepandic J., Rock G., Bil C. (eds) Concurrent Engineering Approaches for Sustainable Product Development in a Multi-Disciplinary Environment. Springer, London, 2012, pp. 207-217

14. El-Sappagh S., Elmogy M. An encoding methodology for medical knowledge using SNOMED CT ontology. Journal of King Saud University Computer and Information Sciences, Volume 28, Issue 3, July 2016, pp. 311-329

15. Ivanovic M., Budimac Z. An overview of ontologies and data resources in medical domains. Expert Systems with Applications, Volume 41, Issue 11, 1 September 2014, Pages 5158-5166

16. Zeshan F., Mohamad R. Medical Ontology in the Dynamic Healthcare Environment Original. Procedia Computer Science, Volume 10, 2012, Pages 340-348

17. Vatian A., Gusarova N., Artemova G., Dobrenko N. An Ontology Approach to Storing Educational Information // Proceedings of the International FRUCT Conference on Intelligence, Social Media and Web, ISMW FRUCT 2016) 2016, pp. 758-772

18. J.Jung., "Computational reputation model based on selecting consensus choices: An empirical study on semantic wiki platform", Expert Systems with Applications, 39 (2012), 9002- 9007.

19. J. Jung, K.Kim, D.Shin, J.Park, "FlowWiki: A wiki based platform for adhoccollaborative workflows", Knowledge-Based Systems, 24 (2011), 154-165.

20. S. Cramerottia, D. Ianes, "An ontology-based system for building Individualized

Education Plans for students with Special Educational Needs", Procedia Social and Behavioral Sciences, 217 (2016), 192 -200.

21. Podolsky M. D., Barchuk AA, Kuznetcov V. I., Gusarova N. F., Gaidukov V. S., Tarakanov S. A. Evaluation of Machine Learning Algorithm Utilization for Lung Cancer Classification Based on Gene Expression Levels. Asian Pacific Journal of Cancer Prevention, Vol 17, 2016, pp. 835-838

22. Artemova G., Gusarova N.F., Dobrenko N.V., Trofimov V., Vatian A. Analysis of the classification methods of cancer types by computer tomography images // Communications in Computer and Information Science 2016, Vol. 674, pp. 526-531

23. Paul A., Sil J., Mukhopadhyay C.D. Gene selection for designing optimal fuzzy rule base classifier by estimating missing value. Applied Soft Computing, Volume 55, June 2017, Pages 276-288

Ontology system for storing current results of medical diagnostics. A.A. Lobantsev, A. Vatian, N.F. Gusarova, N.V. Dobrenko ITMO University

Abstract: During the last years, ontologies become a subject of active researching in AI area. Ontologies are appropriate way for representing information. They allow multiply treatment with data, get deep comprehension of described field and specific meanings of terminology. Medicine is one of areas, where ontologies are most actively used. It has a wide range of unique vocabularies and specific languages for accumulating knowledge and get access to basic medical information. Information in ontologies have to contain not only explicit knowledge of medical domain, but also store data for ongoing medical researches, which could be confusing, contradictory and contain mistakes. This paper proposes system for storing medical diagnosis data, based on ontology. Proposed system focused on specific method of medical data storing. User can not only store standard data in a medical domain, but have opportunity to refresh and refill database with ongoing research information. The main contribution of developed system is its capability to extend for contain all types of medical data and its quick provision of required research information, including quick search and assessing the controversial current results.

Keywords: ontology, medical diagnostics, medical content, decision making, gene expression

REFERENCES

1. Bruk N: "Medical ontologies for representing textual and graphic information" // Studia Universitatis Moldaviae. Ser. Stiin^e Exacte §i Economice. - 2013. - №. 2. - C. 69. (In Russian)

2. Moskalenko F.M. Expert system of medical diagnosis, based on real ontology of medicine, for multiprocessor host. Trudy II mezhdunarodnoy konferentsyy «Parallelnye vychisleniya i zadachi upravleniya» [Proc. 2nd Int. Symp. "Parallel computing and management isuues"]. RASO, 2004, pp. 9991084. (In Russian).

3. Kleschev A.S., Moskalenko F.M., Chernyakhovskaya M. Y. Ontologiya i model' ontologii predmetnoy oblasti «Medicinskaya diagnostika» [Ontology and ontology model of specific field "Medical diagnostics"]. Vladivostok, Publ. IACP DVO, 2005.

4. Andreev M.V., Sitnikov P.V. Application of semantic bases technologies in population-based screening of oncological diseases. Perspektivnyye informatsionnyye tekhnologii (PIT) [Advanced information technologies -2015]. Samara, 2015, pp. 324-329. (In Russian)

5. Zagorulko Y.A., Zagorulko G.B. Ontologies and its practical implementation in knowledge-based systems. Vserossiyskaya konferentsyya s mezhdunaridnym uchastiyem «Znaniya-Ontoloii-Teorii» (ZONT-2011) [Russian

symposium with international participation "Knowledge-Ontologies-theoryes"]. Novosibirsk, Sobolev institute of mathematics, 2011, Volume 1. (In Russian)

6. Blake J.A., Harris M.A. The Gene Ontology (GO) project: structured vocabularies for molecular biology and their application to genome and expression analysis. Curr Protoc Bioinformatics 2008; Chapter 7: Unit 7.2.

7. Abidi S, Abidi S, Hussain S, Shepherd M.

Ontologybased modeling of clinical practice guidelines: a clinical decision support system for breast cancer follow-up interventions at primary care settings. Stud Health Technol Inform, 129(Pt 2):845-9.9, 2007.

8. Kai-Lung Hua, Che-Hao Hsu, Hidayati S.C., Wen-Huang Cheng, Yu-Jen Chen: Computer-aided classification of lung nodules on computed tomography images via deep learning technique. Onco Targets Ther. 8: pp. 2015-2022. (2015)

9. Lotfy Abdrabou, E.A.M.; Salem, A.M.; , "A breast cancer classifier based on a combination of case-based reasoning and ontology approach," Computer Science and Information Technology (IMCSIT), Proceedings of the 2010 International Multiconference on , vol., no., pp.3-10, 18-20 Oct. 2010

10. Kumar D., Wong A. and Clausi D.: Lung Nodule Classification Using Deep Features in CT Images. 12th Conference on Computer and Robot Vision (CRV), Halifax, NS (June, 2015)

11. The Gene Ontology. Gene Ontology documentation, 2010. http://www.geneontology. org/GO. contents. doc. shtml.

12. Gene Ontology Consortium. The Gene Ontology (GO) project in 2006. Nucleic Acids Res., 2006, 34

13. Wu C. Y., Trappey A.J.C., Trappey C.V. (2013) Using Patent Ontology Engineering for Intellectual Property Defense Support System. In: Stjepandic J., Rock G., Bil C. (eds) Concurrent Engineering Approaches for Sustainable Product Development in a Multi-Disciplinary Environment. Springer, London, 2012, pp. 207-217

14. El-Sappagh S., Elmogy M. An encoding methodology for medical knowledge using SNOMED CT ontology. Journal of King Saud University Computer and Information Sciences, Volume 28, Issue 3, July 2016, pp. 311-329

15. Ivanovic M., Budimac Z. An overview of ontologies and data resources in medical domains. Expert Systems with Applications, Volume 41, Issue 11, 1 September 2014, Pages 5158-5166

16. Zeshan F., Mohamad R. Medical Ontology in the Dynamic Healthcare Environment Original. Procedia Computer Science, Volume 10, 2012, Pages 340-348

17. Vatian A., Gusarova N., Artemova G., Dobrenko N. An Ontology Approach to

Storing Educational Information // Proceedings of the International FRUCT Conference on Intelligence, Social Media and Web, ISMW FRUCT 2016) 2016, pp. 758-772

18. J.Jung. "Computational reputation model based on selecting consensus choices: An empirical study on semantic wiki platform", Expert Systems with Applications, 39 (2012), 90029007.

19. J. Jung, K.Kim, D.Shin, J.Park, "FlowWiki: A wiki based platform for adhoccollaborative workflows", Knowledge-Based Systems, 24 (2011), 154-165.

20. S. Cramerottia, D. Ianes, "An ontology-based system for building Individualized Education Plans for students with Special Educational Needs", Procedia Social and Behavioral Sciences, 217 (2016), 192 - 200.

21. Podolsky M. D., Barchuk AA, Kuznetcov V. I., Gusarova N. F., Gaidukov V. S., Tarakanov S. A. Evaluation of Machine Learning Algorithm Utilization for Lung Cancer Classification Based on Gene Expression Levels. Asian Pacific Journal of Cancer Prevention, Vol 17, 2016, pp. 835-838

22. Artemova G., Gusarova N.F., Dobrenko N.V., Trofimov V., Vatian A. Analysis of the classification methods of cancer types by computer tomography images // Communications in Computer and Information Science 2016, Vol. 674, pp. 526-531

23. Paul A., Sil J., Mukhopadhyay C.D. Gene selection for designing optimal fuzzy rule base classifier by estimating missing value. Applied Soft Computing, Volume 55, June 2017, Pages 276-288