ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ПРОВЕДЕНИИ ДИАГНОСТИЧЕСКИ-ЛЕЧЕБНЫХ МЕРОПРИЯТИЙ

Постановка проблемы и анализ литературы

Комплекс диагностически-лечебных мероприятий состоит из двух взаимосвязан — ных этапов: диагностики заболеваний и лечения выявленных патологий, причем после диагностики и назначения лечебных процедур необходим мониторинг текущего состоя — ния пациента с целью оценки эффективности процесса лечения и, при необходимости, его коррекции. Для лечения того или иного заболевания необходимо оказание опреде — ленных воздействий на организм. Для подавляющего множества патологий в различных областях медицины данные воздействия выполняются медикаментозным путем. На каж — дом из отмеченных этапов врач как лицо принимающее решение (ЛПР) вырабатывает управленческое решение в условиях дефицита исходных данных и существенной априор — ной неопределенности, основываясь на своей квалификации, опыте и интуиции. При этом принятие неправильного решения как на этапе диагностики, так и на этапе лечения может иметь катастрофические последствия для здоровья пациента.

В настоящее время наблюдается переход от традиционных медицинских инфор — мационно-поисковых систем к интеллектуальным компьютерным системам поддержки принятия решений в медицине (ИКСППМ) с развитым математическим аппаратом и элементами экспертных систем. Разработчики ИКСППМ отмечают следующие актуаль — ные оптимизационные задачи, которые требуют первоочередного решения [1, 6]:

– выделения диагностически-значимых структурных элементов на фоне артефак — тов и помех (структурная идентификация) при анализе биологических сигналов и меди — цинских изображений;

– формализация, оценка информативности и формирование минимально необхо —

димого множества информативных признаков;

– синтез решающего правила (РП), согласно которому выполняется процесс диа —

гностики пациентов.

При наличии широкого спектра компьютерных диагностических систем в разных предметных областях медицины [6], информатизация этапа формирования комплекса лекарственных препаратов (КЛП) ограничивается медицинскими справочниками фарма- цевта, в том числе в виде информационно-поисковых систем [5], которые представляют врачу структурированный список (классы, подклассы и т. д.) лекарственных препаратов (ЛП) и текстовое описание их свойств.

Диагностика заболеваний рассматривается как задача классификации состояния пациента при анализе вектора диагностических признаков Xi, причем развернутый диа — гноз i-го пациента Di может включать несколько заболеваний.

При таком подходе минимизируется риск неправильной постановки диагноза без учета этапа лечебных мероприятий, поэтому актуальной является задача минимизации риска неправильных медицинских мероприятий (врачебной ошибки) при комплексной оценке всех этапов лечебно-диагностического процесса.

2013. № 1 (144). Выпуск 25/1

Цель работы

Целью работы является формализации этапов преобразования информации и обоснования информационных технологий реализации отмеченных этапов на основе их

комплексной оценки с целью повышения эффективности проведения диагностически —

лечебных мероприятий и минимизации риска врачебных ошибок.

Формализация и информационные технологии реализации этапов преобразования информации

Учитывая отмеченные выше оптимизационные задачи при построении ИКСППМ,

разнородность диагностических признаков, итерационную процедуру постановки диагноза и необходимость учета экспертных оценок при формировании диагностического вывода в [6], формализованы следующие этапы преобразования информации в ИКСППМ:

– структурная идентификация биологических квазипериодических сигналов (БКС),

которые отражают циклические процессы в организме – электрокардиограмма (ЭКГ),

реограмма (РГ) и др.

F1: x(t ) → X и медицинских изображений внутренних

органов (МИ) – томограмма, рентгенограмма, УЗИ F 2 : x( j, k ) → X ;

– формализация описания разнородных диагностических признаков и синтез

иерархических структур диагностируемых состояний знаков F 4 : X → S z ;

F 3 : D → SD

и диагностических при —

– синтез диагностических РП при взаимодействии SD и Sz

индекс i означает значение показателя у i-го пациента);

F 5 : X i → Di

(здесь и далее

– рекомендации по выбору оптимальной методики лечения, которые в случае ме —

дикаментозного лечения формализуются как задача формирования КЛП (вектор Yi)

F 6 : Di → Yi. Таким образом при медикаментозном лечении каждому диагнозу Di ставится

в соответствие множество необходимых фармакологических действий (ФД) f Di. Фарма — кологическое действие — это влияние активных компонент лекарственных препаратов на отдельные органы человека и организм в целом. С каждым диагнозом может быть связа —

но некоторое число необходимых ФД, и для некоторых диагнозов эти множества необхо —

димых ФД могут пересекаться. На основании

f Di формируется КЛП Yi с учетом непере —

носимости i-го пациента к отдельным препаратам, несовместимости препаратов, много —

критериального сравнения препаратов-аналогов [7], поэтому F6 состоит из этапов

F 61 : Di → f Di

и F 62 : f Di → Yi.

На каждом из отмеченных этапов решается локальная оптимизационная задача, для которой используется свой набор исходных данных, свой критерий оптимальности и алгоритм оптимизационной процедуры.

В результате преобразований F1 и F2 выполняется сегментация сигнала x(t) или двумерного изображения x(j, k) с целью выделения информативных структурных элемен- тов, параметры которых являются диагностическими признаками (компонентами Х).

Этап выделения информативных структурных элементов БКС является наиболее ответ — ственным и трудоемким этапом их обработки, так как ошибки структурной идентифика — ции (пропуск структурного элемента или ложная идентификация) приводят к грубым

ошибкам вычисления диагностических показателей и ошибкам компьютерного диагноза (если не предусмотрены специальные средства выявления указанного типа ошибок, в частности, отказ от обработки «подозрительного» периода или подтверждение человека —

оператора правильности структурной идентификации).

Сложность идентификации состоит в том, что амплитудные и временные характе —

ристики структурных элементов содержат информацию о работе диагностируемых подси —

стем организма и подвержены вариабельности в широком диапазоне, кроме того, эти сигналы могут содержать артефакты (резкое изменение некоторых характеристик в от — дельных периодах) и снимаются на фоне помех. Традиционные методы обработки БКС во временной области (контурный анализ) являются по сути эвристическими, с трудом адаптируются к другим типам сигналов и не удовлетворяют возрастающим требованиям к качеству структурной идентификации.

2013. №1 (144). Выпуск 25/1

На этапе выделения информативных структурных элементов БКС строится модель эталона каждого типа структурного элемента на основе методологии и вычислительных процедур неточечного преобразования Хока фрагмента БКС из временной области x(t) в пространство параметров Y(P) [6].

При сканировании сигнала с апертурой эталона сравнение текущего фрагмента

БКС с эталоном выполняется в пространстве Y(P) с учетом априорной информации о структуре БКС (применение адаптивной временной маски). Адаптация метода на этапе анализа медицинских изображений (преобразование F2) заключается в построении дву — мерного эталона при использовании пространственной развертки.

Синтез SD – бинарного дерева решений – выполняется процедурой иерархической кластеризации множества диагностируемых состояний D по критерию минимума ошибки кластеризации в пространстве признаков X (преобразование F3). Как следствие, в ходе такого процесса образуется бинарное дерево, корнем которого является полное множе —

ство диагнозов {Di }n

в заданной предметной области, в ветвях располагаются кластеры

диагнозов, близко расположенных друг к другу, а листьями – отдельные диагнозы. Про — цесс диагностики – движение по дереву решений, в каждой k-й вершине которого выпол- няется дифференциальная диагностика состояний Dq и Dl путем вычисления решающего правила (РП) и принятие решения в пользу Dq или Dl. Возникающие при этом риски не- правильного принятия решения на этапе диагностики (α – ложная тревога и β – пропуск цели) определяются расположением эллипсоидов рассеивания объектов обучающей вы — борки в признаковом пространстве без учета их влияния на этап выбора необходимых фармакологических действий и последующего назначения терапевтического комплекса.

Для минимизации риска неправильных медицинских мероприятий, которые воз —

никают вследствие ошибочной диагностики, необходимо найти зависимость между ошибкой диагностики (Dq вместо Dl) и последствий от ошибки при назначении КЛП (Yq вместо Yl). Так как КЛП должен обеспечить множество необходимых фармакологиче —

ских действий Yq → f Dq, а Yl → f Dl, то риск в конечном итоге определяется расхождением

компонентов множеств

f Dq и

f Dl, и для его минимизации выполняется переход от тради —

ционного пространства признаков X в пространство фармакологических действий F.

Для заданной предметной области, характеризующейся n-диагнозами можно

сформировать перечень ФД размерностью g и, как следствие, можно построить g-мерное

пространство. Так как ФД

fm ∈ F

являются бинарными величинами (0 – отсутствует,

1 – присутствует), то каждое диагностируемое состояние Di располагается в i-й вершине единичного гиперкуба размерности g.

Для кластеризации диагностируемых состояний {Di }n

ся метрика в виде взвешенного расстояния Хемминга:

g

в пространстве F выбирает —

r (Di, D j ) = ωij

k =1

fki − fkj, (1)

где

fki, fkj ∈{0,1} , g – размерность пространства фармакологических действий,

ωij – экс —

пертные оценки негативных последствий отдельных компонент fm.

Таким образом, рассматривая диагнозы

{Di }n

в пространстве F, строится полно —

связный граф, вершинами которого являются диагностируемые состояния Di, а весами дуг являются расстояния между диагнозами r(Di, Dj), полученные по (1). Применение иерархической кластеризации по критерию минимума суммарной связи (минимальный разрез) в пространстве F для синтеза дерева решений SD обеспечивает минимум риска принятия решений при комплексной оценке лечебно-диагностических мероприятий.

Синтез Sz выполняется в результате преобразования F4, которое состоит из этапов:

F 41 : X → S x , F 42 : S x → S y, F 43 : S y → S z.

Преобразование F41 удовлетворяет критериям минимума корреляционной связи, и для его реализации в [6] предложена процедура иерархической кластеризации, осно — ванная на представлении задачи кластеризации в виде потоковой модели. При этом ис —

2013. № 1 (144). Выпуск 25/1

ходные признаки представляются вершинами полносвязного графа, а дугам такого графа приписываются некоторые численные данные (kij – коэффициент парной корреляции, хотя возможно применение других статистических мер связи). Тогда задача иерархиче — ской кластеризации вершин сводится к последовательной процедуре поиска минималь — ного разреза графа в потоковой задаче с ограничениями, для решения которой предлага — ется адаптация алгоритма «дефекта» [8]. В потоковых задачах с ограничениями каждая дуга Vij характеризуется следующими параметрами: fij – поток по дуге; Lij – нижняя про- пускная способность дуги; Uij – верхняя пропускная способность дуги; Cij – стоимость прохождения единицы потока по дуге.

Для рассматриваемой задачи кластеризации диагностических признаков Lij = 0, Uij – kij. Значение Cij при отсутствии априорной информации принимается равным 1 для всех дуг, а при ее наличии устанавливаются с помощью экспертных оценок, т. е. Cij =Eij, Eij < 1 для тех вершин, которые соответствуют признакам, входящим в симптомоком — плекс одного заболевания. Значения потоков fij определяются после завершения работы алгоритма «дефекта», для которого необходимо задать начальную и конечную вершины (исток s и сток t).

Задание s и t выполняется на основе оценочной кластеризации вершин по методу корреляционных плеяд, при котором исходное множество вершин N распадается на два не- пересекающихся подмножества Ns и Nt, после чего в каждом из них определяется наиболее

Ni = max  Cij

j

 

связанная с остальными вершина ( s ∈ N s и t ∈ Nt ), удовлетворяющая условию i,

причем s = Ni∀Vij ∈ N s

и t = Ni∀Vij ∈ Nt. После определения потоков на всех дугах определя —

ется минимальный разрез графа R, для которого справедливы соотношения

fij = U ij

∀Vij ∈ ( N s, Nt ),

(2)

fij = 0 ∀Vij ∈ ( Nt, N s ).

Минимальный разрез разделяет все вершины графа на два непересекающихся мно — жества (Ns, включающее начальную вершину s и Nt, включающее конечную вершину t) та — ким образом, что потоки насыщают все прямые дуги разреза и нулевые на всех обратных дугах разреза (2). В результате иерархической кластеризации синтезируется иерархическая структура Sx, на нижнем уровне иерархии которой могут быть как отдельные диагностиче — ские признаки (если они информативны и независимы), так и кластеры коррелированных признаков, а также схема объединения кластеров на остальных уровнях.

Преобразование F42 обеспечивает максимум информативности признакового про —

странства при ограниченной обучающей выборке, выполняется по критерию минимума

интегральной неопределенности

εk, которая включает

εΔ – неопределенность квантова —

ния числовых признаков и εσ

– неопределенность, обусловленную ограниченностью обу —

чающей выборки. εk

возникает при разбивке динамического диапазона изменения зна —

чений числового признака Δ на m неравномерных диагностически-значимых интервалов

Δk и построении соответствующих гистограмм. В [6] получено выражение оценки εk и

итерационная процедура формирования Δk, при которой минимизируется εk.

Целью преобразования F43 является согласование топологий Sz и SD для реализа — ции диагностического РП и обеспечения оптимального плана обследования конкретного пациента. При этом каждой паре элементов SD, имеющей общего родителя, ставится в со — ответствие один элемент структуры Sz. Элементы структуры Sz формируются из элементов структуры Sy с учетом их информационной полноты:

kип ( x j, D) = I D ( x j )

H (D) ,

где

I D ( x j ) – информативность признака xj относительно состояний D; H(D) – энтропия D,

и диагностической ценности:

kдц ( x j, D) = kип ( x j, D)

rt ( x j ) ,

где rt ( x j )

– суммарная оценка сложности измерения признака xj.

Для реализации комбинированного РП (преобразование F5) в работе реализуется метод синтеза уточняющего диагноза [6], который является модификацией метода по —

2013. №1 (144). Выпуск 25/1

следовательного анализа (метода Вальда) и основан на анализе взаимодействия иерархи — ческих структур диагностических признаков Sz и диагностируемых состояний SD. На каж — дом i-м этапе последовательного анализа при дифференциальной диагностике между двумя диагнозами Dq и Dl вычисляется отношение правдоподобия

Eikq P( xik / Dq )

где А и В – верхняя и нижняя границы неопределенности, необходимые для принятия решения.

При выполнении одного из условий (4) принимается решение о диагнозе Dq или Dl соответственно и выполняется переход на более низкий уровень иерархии диагнозов с целью уточнения диагноза. При невыполнении обеих неравенств (4) добавляется следу- ющий i + 1 признак, и процедура повторяется. Для реализации комбинированного реша — ющего правила в выражении (3) учитывается неопределенность оценок условных вероятно — стей, кроме того, условные вероятности взвешиваются системой экспертных оценок о струк —

туре симптомокомплексов Eikq

и Eikl, методика расчетов которых приводится в [3, 6].

Как отмечалось ранее, преобразование F6 состоит из этапов

→ Yi. В результате F61 формируется множество необходимых фармакологиче —

ских действий

f, которые направлены как на подавление причин заболеваний (анти —

D

 

i

вирусные, антибактериальные и др. действия), так и на подавление симптомов (жаропо —

нижающие, нормализация давления, сердечного ритма и т. д.).

D

 

i

 

Преобразование F62 решает задачу формирования КЛП (вектор Y ) с учетом f и

i

индивидуальных особенностей i-го пациента. В формализованном виде указанная задача является задачей формирования множества лекарственных препаратов (ЛП)

i

 

Yi = { y1 ,, yn }, которые обеспечивают процесс выздоровления i-го пациента (переход из

состояния Di в состояние D0 – практически здоров) при оптимизации интегрального кри — терия качества процесса реабилитации Q = min(t, C, α, β), где t – время процесса реабили — тации; С – стоимость процесса реабилитации; α, β – риски негативных последствий при — менения ЛП во время процесса лечения и в послереабилитационный период.

На основании

f формируется множество применяемых ЛП в заданной области

D

 

i

медицины Y0 = {y1, …, yn}. Так как каждый лекарственный препарат yi характеризуется

вектором фармакологических действий

Fyi = { f1 ,, f m } , то в Y0 включаются все препара —

i

 

ты yk, для которых

Fyi ∈ FD. Фармакологическое действие обеспечивается одним или не —

сколькими активными веществами (в данном случае имеем препараты комплексного действия), причем на основе одного активного вещества может производиться целый класс препаратов. Таким образом, Y0 содержит препараты-аналоги, компоненты Fyi кото- рых совпадают, поэтому каждый препарат описывается вектором характеристик

S yi = {s1 ,, sr }

(эффективность, риск побочных действий, цена, бренд производителя,

доступность в аптечной сети). Каждая компонента Syi используется в качестве локального критерия при многокритериальном сравнении препаратов-аналогов.

Формируются однородные группы пациентов Ωj, каждая из которых описывается вектором характеристик Aj (возраст, пол, анамнез, социальный статус и т. д.), причем для тех препаратов-аналогов, Fyi которых совпадают, формируются матрицы парных сравне — ний (МПС) на основе экспертных оценок относительно локальных критериев sr. Для каж — дой группы пациентов Ωj строится МПС локальных критериев с целью вычисления гло —

бального критерия qk

препарата yk с использованием МАИ.

Анализируемый i-й пациент характеризуется развернутым диагнозом Di (основное заболевание, нозологическая форма, стадия, дополнительные заболевания) и множе —

ством необходимых терапевтических воздействий

FDi

соответственно. Далее формирует —

ся множество возможных препаратов

Y1 ⊂ Y0 , фармакологические действия которых

Fyk

соответствуют

2013. № 1 (144). Выпуск 25/1

FDi. Вектор характеристик Ai пациента определяет его принадлежность к

j-й группе

Al ∈ Ω j, после чего элементы множества Y1 проверяются на их совместимость

друг с другом, на наличие в аптечной сети данного региона, а также совместимость с дан —

ным классом Ω j

(по возрастной группе, полу, анамнезу), и формируется множество допу —

стимых препаратов Y2 ⊂ Y1 .

Взаимодействие отдельных ЛП

yk и

yl характеризуется показателем Vkl

( Vkl = 0 –

ЛП yk и

yl не взаимодействуют; Vkl > 0

– ЛП

yk и

yl усиливают действия друг друга;

Vkl < 0 – ЛП

yk и

yl ослабляют действия друг друга, а в предельном случае Vkl = −1 – их

совместное применение недопустимо). Кроме того, у каждого i-го пациента может наблю —

даться непереносимость к отдельным ЛП. При формировании КЛП необходимо сформи —

ровать подмножество

Yi = { y1 ,, yn } , при выполнении условия

∀k, l Vkl ≥ 0, k, l = 1, N,

i

 

где N – общее число допустимых ЛП Y2, совместное терапевтическое действие которых

i

 

Fy1 ∪ …∪ Fyi ∪ … ∪ Fyn

покрывает множество необходимых терапевтических действий для

пациента

FDi. Вариантов такого покрытия может быть много, но надо обеспечить такое

покрытие, которое минимизирует критерий качества Q.

Так как преобразование F62 служит для формирования множества решений, то для его реализации используется модифицированная дискретная искусственная нейронная сеть (ИНС) адаптивной резонансной теории – ART-1, у которой к базовой архитектуре AРT-1 добавлен слой регистрирующих нейронов с целью получения нескольких решений.

Для i-го пациента единичными компонентами входного вектора ИНС являются те, которые соответствуют элементам подмножества FDi, а в выходном слое незаторможен — ными остаются нейроны, элементы которого соответствуют элементам множества Y2. Ре —

зультатом работы ИНС является подмножество Y3 (терапевтический комплекс)

M 3 ⊂ M 2

рекомендованных препаратов i-му пациенту с указанием их весовых коэффициентов и ограничений на текущий момент времени. Врач принимает окончательное решение, что инициирует в системе процесс обучения ИНС с учителем и коррекцию весов связей реги- стрирующих нейронов.

Разработаны алгоритмы начальной настройки весов базовой архитектуры ИНС, а также алгоритм настройки весов связей регистрирующего слоя, которые соответствуют

глобальным приоритетам qk

препаратов-аналогов

yk, алгоритмы обучения и учета ста —

тистики управленческих решений.

Программная реализация системы

Успешность реализации информационной системы во многом зависит от выбора целевой платформы разработки, а также правильно спроектированной архитектуры. В [4]

обоснован выбор Java [9] в качестве основной платформы: обеспечивается возможность развертывания системы в различных аппаратно-программных средах, непроприетарный характер платформы, наличие множества открытых библиотек, поддерживаемых сооб —

ществом разработчиков.

При проектировании системы необходимо изначально заложить архитектурные принципы, которые в будущем обеспечат масштабируемость, гибкость, а также простоту

сопровождения системы. Для обеспечения данных качеств в настоящее время широко применяются шаблоны проектирования [2].

Обычно шаблон не является законченным образцом, который может быть прямо

преобразован в код; это лишь пример решения задачи, который можно использовать в различных ситуациях. Объектно-ориентированные шаблоны показывают отношения и взаимодействия между классами или объектами без определения того, какие конечные классы или объекты приложения будут использоваться. Главная польза каждого отдель — ного шаблона состоит в том, что он описывает решение целого класса абстрактных про — блем. Также тот факт, что каждый шаблон имеет свое имя, облегчает дискуссию об аб — страктных структурах данных между разработчиками, так как они могут ссылаться на из — вестные шаблоны. Таким образом, за счёт шаблонов производится унификация термино — логии, названий модулей и элементов проекта.

2013. №1 (144). Выпуск 25/1

В структуре разрабатываемой ИКСППМ можно выделить три основных модуля (рис. 1): модуль взаимодействия с пользователем, базу данных, включающую в себя базу знаний, и модуль построения знаний.

Модуль взаимодействия с пользователем представлен графическим интерфейсом пользователя и позволяет осуществлять сбор данных обследований, административных данных, а также данных, предоставляемых экспертами, которые используются при фор- мировании знаний системы.

Для хранения данных и фреймов знаний системы используется реляционная база данных (БД).

Модуль построения знаний отвечает за формирование фреймов знаний, представ —

ленных иерархическими структурами SD и Sz, параметрами комбинированного РП, мно —

жествами необходимых фармакологических

f, описаниями ЛП ( Fyi

= { f1

,, f m } ,

D

 

i

 

i

 

S yi = {s1 ,, sr } , МПС относительно локальных критериев sr и глобальные приоритеты qk,

веса ИНС).

При проектировании системы необходимо четко разграничить уровни данных, ло —

гики и представления разрабатываемой системы. Подобное разделение соответствует шаблону модель-представление-контроллер (MVC pattern) в архитектурном плане. Архи —

тектура разрабатываемой системы представлена на рис. 2.

2013. № 1 (144). Выпуск 25/1

На уровне данных выделяются сущности (entities), необходимые для решения за — дач диагностики и формирования КЛП (как административные, так и сущности, описы — вающие признаки, диагнозы, препараты и т. д.). Сущности содержат в себе исключитель — но данные. Менеджеры сущностей представляют собой реализацию шаблона объекта до — ступа к данным (DAO pattern) и предоставляют возможность выполнения CRUD-операций над имеющимися данными: осуществляют выборку, изменение, добав — ление и удаление экземпляров сущностей. Менеджеры сущностей взаимодействуют с уровнем логики приложения, при этом сами бизнес-логики не содержат; являются един — ственным источником данных для всех сервисов системы.

Связь данных БД и сущностей приложения осуществляется при помощи механиз —

ма объектно-реляционного связывания (ORM). Для этого предполагается использование библиотеки Hibernate, которая позволяет описать связи полей сущностей с колонками

таблиц БД (с помощью аннотаций, либо XML-описания), при этом исчезает необходи —

мость в написании большого объема JDBC-кода для получения данных из БД.

Уровень логики включает в себя сервисы системы, содержащие всю бизнес-логику приложения. Административные сервисы отвечают за обработку данных о пациентах, со —

трудниках, ведение соответствующей медицинской документации. Сервисы вычислений предоставляют доступ к различным алгоритмам реализации этапов преобразования ин —

формации в ИКСППМ. Сервисы формирования знаний являются реализацией шаблона строитель (Builder pattern). Осуществляют построение фреймов знаний системы, структу — ра которых рассмотрена выше. Сервисы обработки экспертных данных осуществляют об —

работку данных, предоставленных экспертами (функции принадлежности, описание структуры симптомокомплексов, МПС препаратов-аналогов и др.) и подготавливают ме- таданные для работы сервисов формирования знаний. Диагностические сервисы, исполь —

зуя знания системы, осуществляют поддержку принятия решений: на основании входных данных о результатах обследования предлагается некоторое множество диагнозов, соот- ветствующих состоянию диагностируемого и перечень ЛП.

Фасады (Facade pattern) обеспечивают представление ядра системы во вне (API для

интерфейса пользователя и третьесторонних приложений), скрывая от внешнего мира всю внутреннюю реализацию и структуру системы. Каждый из фасадов является обверт- кой для одного, либо нескольких сервисов, при этом может содержать дополнительную логику (например, валидацию входных дынных).

Уровень представления включает графический интерфейс пользователя (GUI) и веб —

сервис. GUI является самостоятельным приложением, реализованным в соответствии с тре —

бованиями шаблона MVC. GUI использует API ядра системы, предоставляемые фасадами.

Взаимодействие с третьесторонними приложениями может осуществляться как непосредственно через фасады (в том случае если третьестороннее приложение является

Java-приложением, то возможен прямой вызов методов фасадов, используя механизм

RMI), так и через веб-сервис.

Веб-сервис является обверткой для всех фасадов системы, предоставляет возмож —

ность общаться с ядром системы с помощью обмена SOAP-сообщениями.

Развертывание системы. Простейший вариант представляет собой развертывание всех структурных элементов на одном сервере. Такой подход позволяет сэкономить на за — тратах, связанных с приобретением аппаратных ресурсов, но не предполагает высокой нагрузки на систему. Является оптимальным для небольших организаций.

Для обеспечения более высокой производительности и обслуживания крупных ор —

ганизаций необходимо выполнить размещение модулей системы на различных серверах

(GUI, БД/БЗ, модуль построения знаний). Если же желаемая производительность не до — стигнута, то необходимо выполнить кластеризацию отдельных модулей, несущих наибольшую нагрузку, а также конфигурирование балансировщика нагрузки (loadbalancer).

При развертывании системы возможен отказ от приобретения физических серве — ров и выполнение развертывания в облаке (Amazon EC2, Jelastic), если позволяет бюджет организации.

Выводы

Разработаны методы построения нового класса ИКСППМ на основе формализации этапов проведения диагностически-лечебных мероприятий при их комплексной оценке,

2013. №1 (144). Выпуск 25/1

синтеза моделей объектов исследования отмеченных этапов и решающих правил на этих моделях. Разработанные информационные технологии позволяют повысить достовер — ность и обоснованность решений ЛПР и могут адаптироваться к различным предметным областям медицины.

Материал взят из: Научные ведомости Белгородского государственного университета (История Политология Экономика Информатика) — № 1 (144) 2013