Информативность методов прогнозирования заболеваемости раком легкого

УДК 616.24-006.6-037.

ИНФОРМАТИВНОСТЬ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ЗАБОЛЕВАЕМОСТИ РАКОМ ЛЕГКОГО.

, , .

Воронежская государственная медицинская академия им. .

Поступила в редакцию 14.05.04.

Проанализированы различные методы прогнозирования заболеваемости раком легкого в Воронежской области. Наиболее достоверной оказалась верификация прогноза, полученного методом нейронных сетей.

ВВЕДЕНИЕ. В структуре онкологической заболеваемости в Воронежской области рак легкого на протяжении многих лет занимает первое место и является одной из ведущих причин смерти трудоспособного населения. Наиболее существенной причиной высокой смертности является недостаточный уровень выявления заболевания на начальных стадиях, когда возможно радикальное излечение. Для оперативного и стратегического управления онкологической ситуацией необходима объективная оценка не только ретроспективной и текущей информации по раку легкого, но и знание прогноза, что позволит ранжировать территории по степени онкологического риска, приоритетно распределять финансовые ресурсы, оказывать целевую методическую помощь в профилактической и диагностической деятельности ЦРБ и ЛПУ города Воронежа.

ТЕОРЕТИЧЕСКИЙ АНАЛИЗ. Система регионального онкопрогнозирования по раку легкого строится на применении математических моделей экстраполяции.

Традиционно используемый метод динамического прогнозирования основан на экспоненциальном сглаживании [1-2].

Прогнозирующая модель метода задается выражением:

у(t) = αх(t) + (1- α) у(t-1)

Результаты сглаживания зависят от параметра α, использование которого позволяет при прогнозировании придавать больший вес последним значениям наблюдаемого процесса и уменьшать вес отдельных наблюдений. Параметр сглаживания (α) подбирается с поиском на сетке с шагом 0,1 (от 0 до 1) до значения, при котором сумма квадратов остатков является минимальной.

МЕТОДИКА. Краткосрочный прогноз определен как в целом по области, так и по отдельным ее территориям. Данные динамического прогнозирования верифицированы (табл. 1).

Так как величина ошибки по отдельным территориям достигала 42,9 - 67,3% был использован метод прогнозирования на основе нейронных сетей.

Нейронные сети – самообучающиеся системы, имитирующие деятельность человеческого мозга. Нейронная сеть состоит из однотипных элементов – нейронов, соответствующих элементам головного мозга [3].

Состояние нейрона описывается выражением [4]:

,

где S – состояние нейрона;

n – число входов нейрона;

x(i) – значение i-го входа нейрона;

w(i) – вес i-го синапса.

Значение аксона определяется по формуле Υ=f(S), где f – активационная функция, которая часто является сигмоидой и имеет вид f(x) = 1/1+е-αx. От параметра α зависит степень пологости сигмоиды.

Нейронные сети обратного распространения используют алгоритм обучения, в котором ошибка распространяется по механизму обратной связи от выходного слоя к входному [5]. Сеть состоит из нескольких слоев нейронов, каждый нейрон слоя i связан с каждым нейроном слоя i +1. В результате обучения формируется функциональная зависимость Υ=F(X), где X – вектор входной, а Y – выходной векторы, путем решения задачи минимизации целевой функции ошибки сети, которая находится по методу наименьших квадратов.

РЕЗУЛЬТАТЫ. Верификация прогноза, полученного на основе нейронных сетей, свидетельствует о большей достоверности этого метода (табл. 2, рис. 1).

ЗАКЛЮЧЕНИЕ:

1.  Прогнозирование заболеваемости раком легкого, осуществленное с использованием нейронных сетей более достоверно, чем метод экспоненциального сглаживания.

2.  Применение метода нейросетевого прогнозирования перспективно не только для оценки ожидаемой заболеваемости раком легкого, но и по другим злокачественным новообразованиям.

3.  Метод нейросетевого прогнозирования заболеваемости необходимо применять при невозможности выявить устойчивые тенденции процесса.

ЛИТЕРАТУРА.

1.  Калинина статистика /, .– М.: Высш. шк., 2001. – 336 с

2.  Лукашин методы краткосрочного прогнозирования временных рядов /.- Москва.:Финансы и статистика, 2003.-416с.

3.  Fausett L. Fundamentals of Neural Networks /L. Fausett.- New York: Prentice Hall, 199p.

4.  Haykin S. Neural Networks: A Comprehensive Foundation /S. Haykin.- New York: Macmillan College Publishing, 199p.

5.  Patterson D. Artificial Neural Networks /D. Patterson.- Singapore: Prentice Hall, 199р.

AUTHENTIC METHODS of FORECASTING of INCIEDENCE by a LUNG CANCER.

B. B. Kravetz, H. W. Gromowa, A. P. Pripachkina, M. W. Tyurina.

Voronezh state medical academy named after N. N. Burdenko.

The various methods of forecasting of inciedence by a lung cancer in the Voronezh area are analysed. Most authentic has appeared verification of the forecast received by a method of Neural networks.