Подсистема математического обеспечения информационной системы клинической больницы

2.1.4 Входная информация задач подсистемы

 

Входные сообщения подсистемы представлены сообщением «Задание параметров прогнозирования», в котором необходимо ввести дату и кол-во заболеваний соответственно. Полный перечень структурных единиц входного сообщения «Задание параметров прогнозирования» представлен в табл. 2.2

 

Таблица 2.2 –  Описание структурных единиц выходного  сообщения «Задание параметров прогнозирования»

Полное наименование	Иденти-фикатор	Тип информации	Общее  количество символов	Формат представ-ления
Название заболевания	ILL	Символьный	30
Дата регистрации данных	DEnd	Дата	8	дд.мм.гг
Количество  заболеваний	Q	Числовой	5

 

2.2 Информационное  обеспечение проектируемой подсистемы

2.2.1 Схема базы данных

 

Таблица — особая форма  передачи содержания, которую отличает от текста организация слов и чисел  в колонки (графы) и горизонтальные строки таким образом, что каждый элемент является одновременно составной частью и строки, и колонки.

Таблицы — фундаментальные  объекты реляционной базы данных, в которых хранится основная часть  данных приложения. Отдельная таблица чаще всего хранит информацию по конкретной теме (например, сведения об учебных предметах: название, кол-во часов, индекс). Информация в таблице организуется в строки (записи) и столбцы (поля). Таблице присущи два компонента: структура таблицы и данные таблицы.

Структура таблицы (также  называется определением таблицы) специфицируется  при создании таблицы. Структура  таблицы должна быть спроектирована и создана перед вводом в таблицу  каких-либо данных. Она определяет, какие данные таблица будет хранить, а также правила, ассоциированные с вводом, изменением или удалением данных (бизнес-правила, или ограничения).

Структура таблицы включает следующую информацию:

1. Имя таблицы - Имя, по которому к таблице можно обратиться в свойствах, методах и операторах SQL.
2. Столбцы таблицы - Категории информации, сохраненной в таблице. Каждый столбец имеет имя и тип данного.
3. Табличные и столбовые ограничения - Ограничения целостности, определенные на уровне таблицы или на уровне столбца.

Данные таблицы - информация, которая сохранена в таблице. Все данные таблицы хранятся в строках, каждая из которых содержит порции информации в столбцах, определенных в структуре таблицы. Данные - та часть таблицы, к которой обычно должны иметь доступ пользователи приложения.

Рассмотрим правила нормализации БД.

Первая нормальная форма:

- запрещает повторяющиеся  столбцы (содержащие одинаковую  по смыслу информацию), запрещает множественные столбцы (содержащие значения типа списка);

- требует определить  первичный ключ для таблицы,  то есть тот столбец или комбинацию столбцов, которые однозначно определяют каждую строку.

Вторая нормальная форма  требует, чтобы неключевые столбцы  таблиц зависели от первичного ключа  в целом, но не от его части. Если таблица находится в первой нормальной форме и первичный ключ у нее состоит из одного столбца, то она автоматически находится и во второй нормальной форме.

Чтобы таблица находилась в третьей нормальной форме, необходимо, чтобы неключевые столбцы в ней  не зависели от других неключевых столбцов, а зависели только от первичного ключа. Самая распространенная ситуация в данном контексте - это расчетные столбцы, значения которых можно получить путем каких-либо манипуляций с другими столбцами таблицы. Для приведения таблицы в третью нормальную форму такие столбцы из таблиц надо удалить.

Нормальная форма Бойса-Кодда требует, чтобы в таблице был только один потенциальный первичный ключ. Чаще всего у таблиц, находящихся в третьей нормальной форме, так и бывает, но не всегда. Если обнаружился второй столбец (комбинация столбцов), позволяющий однозначно идентифицировать строку, то для приведения к нормальной форме Бойса-Кодда такие данные надо вынести в отдельную таблицу.

Для приведения таблицы, находящейся  в нормальной форме Бойса-Кодда, к четвертой нормальной форме  необходимо устранить имеющиеся в ней многозначные зависимости. То есть обеспечить, чтобы вставка / удаление любой строки таблицы не требовала бы вставки / удаления / модификации других строк этой же таблицы.

Таблицу, находящуюся  в четвертой нормальной форме, в некоторых случаях еще можно бывает разбить на три или более таблиц, соединив которые, мы получим исходную таблицу. Получившиеся в результате такой, как правило, весьма искусственной, декомпозиции таблицы и называют находящимися в пятой нормальной форме. Формальное определение пятой нормальной формы таково: это форма, в которой устранены зависимости соединения. В большинстве случаев практической пользы от нормализации таблиц до пятой нормальной формы не наблюдается.

Разработаны формальные специальные математические методы нормализации таблиц реляционных баз данных. На практике же проектировщик баз данных, детально познакомившись с предметной областью, как правило, достаточно быстро набросает структуру, в которой большинство таблиц находятся в четвертой нормальной форме.

Логическая  модель таблиц БД представлена на рис. 2.4.

Рисунок 2.4 – Логическая модель базы данных

 

На рисунке  представлена общая структура БД информационной системы клинической  больнице. При решении задачи прогнозирования  заболеваний в рамках подсистемы математического обеспечения она не используется.

В базе данных имеется 9 таблиц. Первая самая главная таблица "Отделения", которая является главной для таблиц "Персонал", "Пациенты" и "Диагнозы", с  которыми она связана по полю "Код  отделения" и имеет место связь "1-ко многим". В свою очередь таблица "Персонал" является главной для таблицы "Процедуры", которая связана по полю "Код медсестры", связь также "1-ко многим".

Две таблицы "Диагноз-Лекарства" и "Диагноз-Процедуры" имеют составные  ключи и связаны с двумя таблицами, по коду диагноза с таблицей "Диагнозы" и по коду лекарства и процедуры с таблицами "Лекарства" и "Процедуры" соответственно. Получилась связь "многие – ко многим". Такая связь нужна, для того чтобы можно было для одного диагноза выбрать много процедур и лекарств. Соответственно, для процедур и лекарств могут соответствовать много диагнозов.

 

 

2.3 Подсистема математического обеспечения при решении задачи прогнозирования количества заболеваний

2.3.1 Решении задачи прогнозирования количества заболеваний в подсистеме математического обеспечения информационной системы «Клиническая больница»

 

Прогнозирование или  предсказание количества заболеваний  того или иного типа на уровне города, региона, и т. д. является необходимым  элементом организации лечебно-профилактических мероприятий. С формальной точки зрения эта задача относится к широкому классу задач прогнозирования дискретных последовательностей (совокупности значений в фиксированные моменты), которые возникают не только в медицине, но и в физике, технике, экономике, социологии, и других областях.

Нетривиальность прогнозирования дискретных последовательностей  обусловлена тем, что, в отличие  от хорошо алгоритмизованных процедур интерполяции, прогнозирование требует  экстраполяции данных о прошлом на будущее. При этом необходимо учитывать неизвестную закономерность о явлении, лежащем в основе процесса, который генерирует дискретные последовательности. Разработке математических моделей прогнозирования посвящено большое количество исследований. Наиболее распространенными являются методы, построенные на базе вероятностно-статистического аппарата.

Предлагается подход к прогнозированию, который объединяет экспериментальные данные о количестве заболеваний с экспертно-лингвистической  информацией о закономерностях, которые удается увидеть в существующих данных. Использование экспертно-лингвистических закономерностей, которые формализуются при помощи нечеткой логики, позволяет построить модель прогнозирования в условиях малых экспериментальных выборок. Предлагаемый здесь подход идеологически достаточно близок к так называемому <нейро - нечеткому> подходу, объединяющему способности нейронных сетей к обучению и легкую интерпретируемость нечетких правил ЕСЛИ-ТО.

Мы не используем нейронную  сеть для обучения модели прогноза, а непосредственно настраиваем нечеткие правила ЕСЛИ-ТО с помощью существующих экспериментальных данных.

 

 

2.3.2 Экспериментальные данные

 

Нами рассматривается  количество заболеваний аппендикулярным  перитонитом у детей по данным клиники детской хирургии г. Харькова в 1992-2007 годах, которые сведены в табл. 2.3.

 

Таблица 2.3. Распределение  количества заболеваний по годам.

Год	1997	1998	1999	2000	2001	2002	2003	2004
Количество заболеваний	109	143	161	136	161	163	213	220
Год	2005	2006	2007	2008	2009	2010	2011	2012
Количество заболеваний	162	194	164	196	245	252	240	225

 

Наблюдая динамику изменения  количества заболеваний по рис. 2.5, легко заметить наличие четырехлетних циклов, в которых на третьем месте стоит високосный год. Эти циклы будем обозначать так:

где - номер четырехлетнего цикла,

- количество заболеваний за  два года до високосного,

- количество заболеваний за  один год до високосного,

- количество заболеваний в високосном  году,

- количество заболеваний в следующем  году после високосного.

 

Рисунок 2.5 – Динамика изменения количества заболеваний

Введенные обозначения  будут использованы в дальнейшем при формировании закономерностей, необходимых для прогнозирования.

 

2.3.3. Экспертно-лингвистические закономерности

 

Закономерности, которые  удается наблюдать на рис. 2.4, легко записать в виде четырех экспертных высказываний на естественном языке. Эти высказывания являются правилами ЕСЛИ-ТО, которые связывают количество заболеваний в - ом и ( )- ом циклах (рис. 2.6):

Сеть зависимостей на рис. 2.7, которая объединяет сформированные выше правила, показывает, что по двум первым годам -го цикла можно прогнозировать на четыре года вперед: на два последних года -го цикла и на два первых года следующего -го цикла.

 

 

 

 

 

2.3.4. Модель прогнозирования

 

Рисунок 2.6 – Функциональные связи между количествами заболеваний

 

Рисунок 2.7 – Сеть зависимостей для прогнозирования

Для использования экспертно-лингвистических  высказываний используется аппарат теории нечетких множеств. Согласно этой теории, лингвистические оценки <низкий>, <ниже среднего> и другие формализуются при помощи функций принадлежности. Будем использовать модель функции принадлежности, введенные в главе 3. Выбранные экспертом параметры и для разных лингвистических оценок, которые используются в правилах , представлены в табл. 2.4.

Полученные при этом функции принадлежности показаны на рис. 2.8.

Таблица 2.4. Параметры функций принадлежности до настройки

Лингвистические оценки переменных	Параметр
низкая (Н)	100	50
ниже среднего (нС)	160	30
средняя (С)	195	25
выше среднего (вС)	222	20
высокая (В)	260	30

 

Рисунок 2.8 – Функции принадлежности лингвистических оценок до настройки

 

Помимо выбранных выше двухпараметрических функций принадлежности, могут быть использованы и другие функции, например, треугольные или трапециевидные, содержащие три и четыре настраиваемых параметра, соответственно.

Обозначим через  диапазон возможных значений количества заболеваний. Разобьем этот диапазон на пять частей:

которые ассоциируются  с лингвистическими оценками: низкая (Н), ниже среднего (нС), средняя (С), выше среднего (вС), высокая (В). Тогда, используя нечетко-логические операции min (И), max (ИЛИ) и операцию дефаззификации для преобразования функции принадлежности к четкому числу, можно записать модель прогнозирования в явном виде:

Рисунок 2.9 – Сопоставление экспериментальных данных и модели прогноза до настройки

При помощи полученной модели можно грубо прогнозировать количество заболеваний, как показано на рис. 2.9.