На качество результатов лабораторных анализов оказывает влияние большое количество факторов на различных этапах, учесть которые при значительных потоках проб не всегда представляется возможным. Основным принципом решения этой проблемы является правильная информация в правильном месте, в нужное время и при минимальных затратах на производство анализов. Помочь вра- чу-лаборанту в решении этих задач могут системы интеллектуального анализа данных с помощью персональных компьютеров. Возможность автоматического выявления сложных количественных закономерностей в больших объемах данных делает системы интеллектуального анализа чрезвычайно полезным инструментом для врачей-лаборантов и руководителей лабораторий. Успехи технологий интеллектуального анализа данных привели к тому, что в ближайшие годы следует ожидать их широкого внедрения практически во все сферы научной и практической деятельности.
Традиционная диаграмма рабочего потока (workflow) включает в себя информацию о биопробе, может показать, что с ней происходит в данный момент, на данном этапе производства анализов. ЛИС в состоянии учесть влияние всех факторов на качество анализа, сравнить полученные данные с предыдущими у данного пациента и, если результаты не укладываются в какую-то логическую схему, информировать об этом врача лаборатории.
ЛИС могут в ясной и удобной для конечного пользователя форме представить найденные закономерности, поэтому ЛИС должны разрабатываться с целью поддержки принятия решений, раскрытия, ранжирования и представления факторов, в наибольшей степени влияющих на эффективность лабораторной диагностики. ЛИС позволит выявлять и те факторы, которые не оказывают серьезного влияния на результаты лабораторных анализов. Современные ЛИС способны оценивать результаты анализов с использованием чувствительности и специфичности лабораторных тестов в отношении той или иной патологии, использовать различные алгоритмы оценки результатов.
Большими возможностями обладают компьютеризированные экспертные системы, которые строятся по различным принципам: как диагностические алгоритмы, как протоколы тестов, специфически связанных с определенным видом патологии, как дерево принятия решений на основе использования систем "искусственного интеллекта". Например, основанная на использовании референтных интервалов и научно обоснованных схем принятия решений программа VALAB (Validation of Biochemical Data) содержит свыше 20 000 правил принятия решений при оценке результатов гематологических, биохимических и коагулологических исследований [Valdiguie Р.М., 1992]. Она позволяет оценить основанную на результатах этих лабораторных тестов клиническую информацию и предсказать вероятность определенного клинического решения. Показатели эффективности применения экспертных систем приведены в табл. 1.6 [Меньшиков В.В., 2002].
По результатам исследований PC Week Labs, одной из крупнейших в мире независимых тестовых лабораторий, программная система Scenario компании "Cognos" была признана лучшей системой, позволяющей проводить интеллектуальный анализ данных в бизнесприложениях с помощью настольных компьютеров и обеспечивающей хорошую функциональность при доступной цене. В новой
Таблица 1.6. Сравнительные данные лабораторного обследования больных при обычном порядке назначения и интерпретации результатов лабораторных исследований и при использовании экспертных систем

Оценивемый показатель	Обычный порядок	Экспертная система
Среднее количество назначенных тестов	32,7	17,8
Среднее количество взятых проб	7,5	5,8
Продолжительность обследования, дни	3,2	1,0
Количество консультаций у других специалистов	12	0
Правильность диагностики, %	66	100
Стоимость обследования, усл.ед.	232	194

версии системы возможно применение нечисловых полей в качестве целевых показателей.
Система Scenario входит в семейство инструментальных средств Business Intelligence (BI) компании "Cognos", служит для аналитической обработки данных и включает в себя объектно-ориентированные графические средства формирования отчетов для больших баз данных (система Impromptu), средства OLAP анализа данных (система "Power Play"), нейросетевой пакет для интеллектуального анализа данных (система 4Thought), а также средство создания отчетов в виде интерактивных исполняемых книг (система "Portfolio"). Продукты семейства BI отличает удачное сочетание эффективности реализуемых в них методов с дружественным интерфейсом, что делает их доступными для широкого круга пользователей.
Новая версия Scenario обеспечивает более тесную интеграцию систем BI. С одной стороны, Scenario можно использовать для открытия количественных взаимосвязей непосредственно в гиперкубах Power Play, что существенно дополняет возможности многомерного анализа, с другой, результаты анализа могут экспортироваться в гиперкубы Power Play. Интеграция с системой Impromptu позволяет получать подробные отчеты по данным в отдельных сегментах, сформированных Scenario. В качестве OLE-сервера Scenario совместим с Portfilio, Microsoft Word, Excel, Power Point и другими программными продуктами.
К наиболее интересным особенностям новой версии Scenario можно отнести:

• расширенные средства подготовки данных (в том числе возможность создания вычисляемых столбцов, а также исключение отдельных строк таблиц, содержащих аномальные данные);
• создание новых видов отчетов;
• введение средств исследования динамики данных (сравнение результатов анализа данных за текущий и предшествующий период времени). Современные компьютеры способны решать (с высоким быстродействием и

точностью) формализованные задачи с определенными данными и по известным алгоритмам. В тех же случаях, когда задача не поддается формализации, входные данные частично неизвестны, зашумлены и противоречивы, традиционные компьютерные алгоритмы становятся неэффективными. Альтернативой им могут быть программы, в которых информация кодируется и запоминается в распределении связей между нейронами в нейросети [Jones D., 1990]. Когда мы говорим
о нейронных сетях, то чаще имеем в виду искусственные нейронные сети (ИНС). Некоторые ИНС моделируют биологические нейронные сети, некоторые нет. Однако исторически сложилось так, что первые искусственные нейронные сети были созданы в результате попыток сформировать компьютерную модель, воспроизводящую деятельность мозга в упрощенной форме. Конечно, возможности человеческого мозга неизмеримо больше, чем возможности самой мощной искусственной нейронной сети. Вместе с тем, искусственные нейросети обладают рядом свойств, присущих биологическим нейросетям, в том числе и человеческому мозгу [Щетинин В.Г., Комаров В.Т., 1998].
Главное свойство нейросетей - способность к обучению. Для решения какой- либо задачи на компьютере традиционным методом необходимо знать правила (математические формулы), по которым из входных данных можно получить выходные (найти решение задачи). С помощью нейросети можно найти решение, не зная правил, а имея несколько примеров. Нейросети используют подход к решению задач более близкий к человеческому, чем традиционные вычисления.
Другое важное свойство нейросетей - способность находить решение на основе зашумленных, искаженных и даже противоречивых данных. Еще одно замечательное свойство - это отказоустойчивость. В случае выхода из строя части нейронов вся сеть в целом продолжает оставаться работоспособной, хотя, конечно, точность снижается. Это свойство важно для аппаратно реализованных нейросетей, так как если нейросеть эмулируется на традиционном компьютере, то в случае выхода из строя центрального процессора вся нейросеть теряет работоспособность [Watrous R.L. etal., 1995].
В принципе нейронные сети могут вычислить любую функцию, имеющую решение, иными словами, делать все, что могут делать традиционные компьютеры [Горбань А.Н. и др., 1997].
На практике применение нейронной сети может быть оправдано в том случае, если задача обладает следующими признаками:

• отсутствует алгоритм или не известны принципы решения задач, но накоплено достаточное число примеров;
• проблема характеризуется большими объемами входной информации;
• данные неполны или избыточны, зашумлены, частично противоречивы.

В настоящее время искусственные нейронные сети все шире применяют в следующих областях:

• классификация образов;
• кпастеризация/категоризация;
• предсказание/прогноз;
• оптимизация систем большой размерности;
• планирование применения сил и средств;
• адаптивное управление.

Решение задач "классификаций образов" и "предсказание/прогноз" интересны с точки зрения собственно лабораторной диагностики, а "оптимизация систем большой размерности", "планирование применения сил и средств", "адаптивное управление" - это те задачи, которые могут решаться применительно к организации процессов лабораторной диагностики как системы [Щетинин В.Г., Комаров В.Т., 1998].
В настоящее время известны три способа реализации нейросетей:

• программный (на традиционных компьютерах);
• программно-аппаратный (в компьютерах устанавливают дополнительные

нейроплаты для ускорения обработки информации);

• аппаратный (создание специализированных нейрокомпьютеров). Нейропакет может быть реализован в виде отдельной оболочки, надстройки

над электронными таблицами или в виде специализированного математического пакета.
Нейропакеты можно разделить на 6 больших групп:

• средства разработки, включающие различные библиотеки нейронных парадигм и обучающих алгоритмов, которые в дальнейшем используются для создания универсальных или специализированных нейропакетов (например, Neural Net Developer Library компании "Ward Systems Group");
• универсальные нейропакеты, дающие возможность работы с различными парадигмами и алгоритмами обучения (NeuroGenetic Optimizer компании "BioComp Systems");
• специализированные нейропакеты, предназначенные для решения некоторого класса задач (BrainMaker компании "California Scientific Software");
• генетические нейропакеты, в которых реализованы генетические алгоритмы обучения нейросетей (Genetic Object Designer компании "Man Machine Interface");
• пакеты нечеткой логики, основанные на нечеткой логике, идеология построения которых схожа с нейропакетами (FuziCalc компании "FuziWare");
• пакеты "прикладного хаоса", идеология построения которых базируется на том, что нейроны - нелинейные элементы и могут демонстрировать сложное поведение, связанное с динамическим маломодовым хаосом (странные аттракторы).

Примером использования нейросети, созданной при помощи пакета BrainMaker компании "California Scientific Software" и предназначенной для назначения лабораторных исследований пациентам при поступлении в стационар, может служить информационная система, реализованная в Kaiser Hospital (США, Калифорния).
При использовании нейросети может быть назначено до 38 видов лабораторных тестов. При тестировании пилотной системы было обнаружено, что применение прикладной системы способствовало уменьшению не только времени нахождения пациентов в стационаре, но и расходов на лабораторную диагностику за счет снижения количества тестов на 10-15%, а также повышению обоснованности назначения лабораторных тестов. Для Kaiser Hospital указанное снижение количества тестов означает экономию 500 тысяч долларов в год.
Нейросети могут помочь уменьшить количество лабораторных тестов двумя способами. Во-первых, существующая база данных медицинской информационной системы может быть использована для "тренировки" нейросети. На данном этапе выясняют, какие лабораторные тесты были актуальны и обоснованны для пациентов с ретроспективной точки зрения. Таким образом, нейросеть получает необходимую информацию для использования при назначении новых лабораторных исследований. Во-вторых, медицинским сестрам могут быть делегированы полномочия по назначению пациентам лабораторных тестов. Нейросеть имеет 67 входных параметров, включая демографические данные пациента и симптомы (возраст, пол, клиническая информация, срочная госпитализация, кровяное давление, температура, медикаменты, аритмия, головная боль, инфекция и др.).
При опытной эксплуатации пилотной версии системы была зафиксирована правильность назначений на лабораторную диагностику на уровне 95% [Watrous R.L. et al., 1995]. Таким образом, в большинстве случаев нейросеть обеспечивает правильные назначения на необходимые лабораторные исследования, а если не обеспечивает, то врачу достаточно позвонить и назначить другие тесты для пробы, которая уже находится в лаборатории.
Таким образом, прикладные системы, построенные с помощью нейросетей, объективно способствуют повышению эффективности лабораторной диагностики за счет снижения количества лабораторных тестов и повышения обоснованности назначений.
Введя данные о ресурсах лаборатории (персонал, оборудование, производительность и др.) и используя модели как реальной лаборатории, так и модели на подготовленных наборах данных, можно получить математически рассчитанное обоснование для модернизации клинико-диагностической лаборатории и перечня лабораторных исследований.
Приведенный анализ современных возможностей ЛИС показывает, что в области непрерывного повышения качества лабораторных анализов будущее - за информационными технологиями. В ближайшее время специалистам лаборатории предстоит в полной мере овладеть средствами клинической информатики для решения задач повышения качества результатов анализов. О важности этого направления деятельности в практической медицине свидетельствует и то, что Американский Совет Медицинских Специальностей (ABMS) выделил специальность "Клиническая информатика" в качестве специфической области знаний среди других медицинских специальностей [Henry J.В., 1996].