8. HAHMONTUNNISTUS
9.2 Automaattinen hahmontunnistus monesta
Edellisessä kohdassa kuvattujen yksinkertaisten indeksien laskeminen ja tulkinta on jo eräänlaista hahmontunnistusta.
Seuraavassa tarkastellaan jonkin verran monimutkaisempia menetelmiä, joilla voidaan matemaattisesti johtaa esimer
kiksi hälytystä koskeva päätös monimuuttujäisestä mittaus- tiedosta .
Binääristä moniva1vontamenetelmää /77/ on sovellettu pro
ses s iva lvonnas sa hälytysten muodostamiseen. Menetelmässä kuvataan prosessin tilaa mittausarvojen muodostamalla vek
torilla. Tila-avaruuden akselit on jaettu osiin, joita vastaavat binäärimuuttujat saavat arvon 1, kun mittaussuu- reen arvo osuu kyseiselle välille. Kuvassa 31 tilamuuttujat ovat lämmityskattilan pinnankorkeus, lämpötila ja lämmitii
nne n käyttö (ei lämmitystä/lämmitin päällä). Hälytysehdot määritellään binäärimuuttujien loogisina kombinaatioina.
Kuvan järjestelmässä annetaan kriittisin hälytys A^, jos
täyttä, kuumaa kattilaa edelleen lämmitetään: IF b2 AND b4 AND b5.
Temperature
b-а *1 brd
b 4 * 1
Level
Kuva 31. Prosessin valvonta binäärimuuttujien avulla /77/.
Binäärinen menetelmä käy kankeaksi , jos mittaussuureitä ja erilaisia hälytyksiä on paljon. Menetelmä ei sinänsä ota huomioon systeemin dynamiikkaa, mutta tilamuuttujien jouk
koon voidaan tietenkin lisätä signaalien muutosnopeuksia.
Kohdassa 6.4 kuvattu PAWS-monitori, joka tarkkailee kahta fysiologista suuretta ja niiden trendejä, toimii oleelli
sesti binäärisen monivalvonnan periaatteella.
Ajatusta moniulotteisesta vektoriavaruudesta voidaan kehi
tellä eteenpäin esimerkiksi siten, että mittaussuureiden normaalialueena saa olla minkämuotoinen tila-avaruuden osa tahansa eli kunkin suureen hälytysrajät riippuvat kaik
kien muiden suureiden arvoista. Sallittu aluehan on n-ulot- teinen suorakulmainen särmiö, jos suureille asetetaan kiin
teät ala- ja ylärajat. Moniulotteista trendiä kuvaisi tila- vektorin aikaderivaatta, ja tämän trendivektorin projektio sallitun alueen rajapinnan normaalille ilmaisisi yleisti
lanteen kehityssuunnan /67/. Moniulotteisten pintojen kä
sittely on kuitenkin hankalaa, ja sallittua aluetta tus
kin pystytään tekemään niin monimutkaiseksi, että avaruus- geometrisesta lähestymistavasta olisi hyötyä. Joidenkin kahden tai kolmen eri suureen väliltä voitaisiin ehkä löy
tää sellaisia hä lytysrajojen riippuvuuksia, jotka ovat formuloitavissa matemaattisesti.
Tehohoidossa on kokeiltu potilaan tilan ja sen muutosten arvioimiseen tilastomatemaattista menetelmää /1/, joka ottaa huomioon muuttujien keskinäiset tilastolliset
riippu-vuudet. Siinä kokonaistilanteen luokittelun ratkaisee ns.
Mahalanobis-etäisyys
D2 = (Y- Y)T S-1 (Y- Ÿ), (46)
missä Y on tietyllä hetkellä mitattujen arvojen muodostama vektori, Ÿ on tavoitearvovektori ja S on suureiden välinen kovarianssimatriisi. Tavoitelukemiksi otetaan esimerkiksi sopivalta terveeltä ihmisryhmältä mitattujen arvojen tilas
tolliset keskiarvot. Suureiden välisiä riippuvuuksia ku
vaava matriisi S estimoidaan tehohoitopotilailta mitatus
ta havaintoaineistosta. Jos muuttujat olisivat tilastolli
sesti täysin riippumattomia, S olisi diagonaalinen ja Maha- lanobis-etäisyydeksi saataisiin keskihajonnoilla skaalattu
jen poikkeamien (Y, - Yt )/<r, neliösumma.
D^-arvon jakauma tehohoitopotilai1 ta mitatussa havaintoai
neistossa määrää mittausarvovektorien luokittelun kuvan 32 mukaisesti. Jotta puutteellisiakin mittausarvovektoreita voitaisiin luokitella, vastaavat rajat määritetään tarvit
taessa suppeammalle muuttujajoukolle käyttäen hyväksi D^:n empiirisen jakauman ja x2-jakauman samankaltaisuutta. Kun Y-vektoriin sijoitetaan mittausarvojen sijasta suureiden absoluuttiset tai suhteelliset muutokset, voidaan moni
toroida tilan muutosten voimakkuutta.
Kuva 32. Potilaan tilan luokittelu Mahalanobis-etäisyyden empiirisen jakauman perusteella /1/. D-luokka vastaa vaka
vinta tilaa tai voimakkainta tilan muutosta. Py on raja, jonka vasemmalle puolelle sijoittuu y% tehohoitopotilailta kerätyn vertailuaineiston näytteistä.
Kuten yhden muuttujan trendianalyysissa, tässäkin menetel
mässä törmätään oikean referens si arvon määrittelyongelmaan.
Lisäksi etäisyysfunktion asteikolla ei ole selviä klii
nisiä kiinnepisteitä, vaan funktiota joudutaan tulkitsemaan sormituntumalla - sama koskee tietysti myös muita yleisti
laa kuvaavia indeksejä.
Koska usean valvontasuureen yhtaikainen tulkinta perustuu vielä selvemmin intuitioon kuin yhden signaalin tulkinta, tilastollisille hahmontunnistusalgoritmeille tarkoitettua opetusaineistoa on vaikea luokitella. Helpoimmin päästäneen liikkeelle konkreettisesta tilanteesta, joka on liittynyt tiettyyn mittausarvojen kombinaatioon. Esimerkiksi tietyn
tyyppisestä shokkitilasta selviytyneiden ja siihen menehty
neiden potilaiden välille on etsitty diskriminanttifunkti- oita, jotka perustuvat shokin alkuvaiheessa mitattuihin va1vontaparametreihin /21/. Tosin yksinkertaiset lineaari
set erotusfunktiot eivät ota huomioon sitä, että fysiologi
set parametrit voivat muuttua monella eri tavalla siirryt
täessä normaalista tilasta kriittiseen tilaan /82/. Joka tapauksessa tarvitaan vielä paljon tutkimustyötä, ennen kuin tilastollisia hahmo n tunnistusmenetelmiä kannattaa soveltaa useaan valvontasignaaliin.
9.3 Teollisuuden mallipohjaiset víanselvitysmenetelmät Prosessi- ja voimalavalvonnassa on perinteisesti käytetty yksinkertaisia tunnuslukuja, jotka kuvaavat osajärjestel
mien toimintaa ja ei-mitattavia prosessisuureitä. Potilas- valvonnassa lasketaan vastaavasti johdettuja suureita ja eri elinsysteemejä kuvaavia indeksejä. Teollisuuden kun
nonvalvontaan ja vikadiagnoosiin on viime aikoina kehitetty matemaattisiin malleihin pohjautuvia menetelmiä, joiden periaatteet saattavat olla osittain sovellettavissa poti
las va Ivon taan .
Häiriösignaalien lähteitä etsitään teollisuudessa yleisesti korrelaatioanalyysin avulla. Uudet monikanavaiset menetel
mät mahdollistavat useamman kuin kahden signaalin samanai
kaisen tarkastelun. Suomessa on kehitetty interaktiiviset signaalianalyysiohjelmistot FAMS ja SIAMS, joita on sovel
lettu paperikoneen häiriötutkimukseen ja ydinvoimalan diag
nostiikkaan /6,52/. Nopeaan Fourier-muunnokseen perustuval
la FAMS-ohjelmistolla voidaan mm. estimoida spektrejä ja koherenssitunktioita sekä suodattaa signaaleja digitaali
sesti. SIAMS sovittaa mitattuihin signaaleihin monimuut- tujäisen ARMA-mal1 in , jonka avulla voidaan esimerkiksi selvittää signaalien keskinäisiä selitysosuuksia ja siten paikallistaa vaikkapa paperin laatuun vaikuttavia häiriöte
kijöitä (kuva 33).
a)
Kuva 33. Häiriölähteiden jäljitys SIAMS-analyysi1 la /52/.
a) Paperimassan sakeusvaihtelun spektri ja mitattujen häi- riösuureiden osuus siitä, b) Eri häiriölähteiden suhteelli
set osuudet sisäänmenosuureiden spektristä : 0,015 ja 0,08 Hz : n häiriöpiikeille löydetään nyt pääasialliset aiheutta
jat.
SIAMS ja FAMS käsittelevät tutkittavaa systeemiä mustana laatikkona - esimerkiksi paperinvalmistusprosessille onkin vaikea muodostaa fysikaalista mallia. Kunnonvalvontaan ja vikadiagnoosiin sovelletaan nykyään myös staattisia ja dynaamisia prosessimalleja /20,68,79,80/, joilla pyritään kuvaamaan fysikaalista todellisuutta. Malleja voidaan käyt
tää hyväksi kahdella tavalla. Ensimmäinen tapa on verrata normaalitoimintaa kuvaavan mallin ulostuloa ja vastaavaa mitattua prosessisuuretta. Jos erosignaali on nollakeskiar- voista valkoista kohinaa, malli kuvaa prosessia hyvin ja tilannetta voidaan pitää normaalina. Erilaisille vikata
pauksillekin saatetaan rakentaa omat mallit. Toinen mahdol
lisuus on estimoida jatkuvasti mallin parametreja ja seura
ta niiden muutoksia. Jos parametreillä on fysikaalinen merkitys, vika pystytään lisäksi paikallistamaan. Paikal
listamista voidaan helpottaa myös käyttämällä rinnakkaisia malleja prosessin eri lohkoille.
Vikapuut ja syy - seurauspuut ovat loogisia malleja, joiden avulla voidaan selvittää hälytystilanteen aiheuttajia ja ennakoida sen seurauksia. Vikapuu esittää tiettyyn kriitti
seen tapahtumaan johtavat tapahtumaketjut ja syy - seuraus- puu kartoittaa tietyn tapahtuman mahdollisia seurauksia.
Loogisia puita käytetään mm. ydinvoimaloiden hälytysten- käsittelyjärjestelmissä /48/.
Maliipohjäiset seurantamenetelmät soveltuvat potilasvalvon
taan niiltä osin, kuin kohtuullisen hyvän mallin rakentami
nen on mahdollista. Esimerkiksi yksimuuttujäisiä AR-malleja on jo käytetty EEG-monitorointiin. Monimuuttujaiset fysio
logiset mallit olisivat periaatteessa oiva apuväline mit
taustiedon hallintaan, mutta tähän mennessä tehohoitoa ja anestesiaa varten on kehitetty varsin niukasti käyttökel
poisia malleja. Vikapuita, syy - seurauspuita ja mallipoh
jaisia vianpaikannusmenetelmiä voitaisiin ehkä käyttää hyväksi kriisitilanteiden ennakoinnissa ja tietokoneavus
teiseen diagnostiikassa.
Prosessi- ja signaalimallit lienevät helpommin sovelletta
vissa mittaussysteemin kuin varsinaisen fysiologisen sys
teemin valvontaan. Jos tunnetaan suurin piirtein mittauspa
rametrien väliset riippuvuudet, anturivika voidaan paljas
taa vertaamalla mittaustulosta muiden mittaus suure iden perusteella laadittuun arvioon /80/. Älykkäät anturit val
vovat tuottamansa tiedon mielekkyyttä. Signaalianalyysime- netelmistä saattaisi olla apua selvitettäessä sitä, missä vaiheessa häiriöt kytkeytyvät systeemiin. Tärkeintä on tietää, onko "häiriö" peräisin potilaasta vai mittausjär
jestelmästä, ja lisäksi olisi hyvä erottaa mittalaittei
den vikaantumiset ohimenevistä ulkoisista häiriöistä.
9.4 Asiantuntijajärjestelmä monimuuttujäisen systeemin hallinnassa
Asiantuntijajärjestelmä on tietojärjestelmä, joka perustuu jonkin erikoisalan asiantuntemukseen ja pystyy ratkaisemaan ongelmia, joiden katsotaan vaativan inhimillistä osaamis
ta /54/. Tällaisen järjestelmän keskeiset osat ovat tietä
myskanta, päättelymekanismi ja käyttäjäliitäntä (kuva 34).
Uuden tietämyksen omaksumiskyky ja kyky perustella toimin
tansa ovat asiantuntijajärjestelmälle ominaisia. Asiantun
tijajärjestelmät ohjelmoidaan useimmiten erityisellä teko
älykielellä, esimerkiksi Lispillä tai Prologilla. Tietämyk
sen esittämiseen käytetään perinteisestä ohjelmoinnista
poikkeavia tietorakenteita, kuten ehto - toimintasääntöjä
Asiantuntija ja/tai t
tietämysinsinööri
Kuva 34. Tietämysjärjestelmän perusarkkitehtuuri /60/.
Potilasvalvonnassa asiantuntijajärjestelmä voisi muodostaa automaattisen valvontasysteemin ylimmän tason, jolle syö
tettävää tietoa jalostettaisiin esimerkiksi tässä työssä kuvatuilla matemaattisilla menetelmillä. Tällöin asiantun
tijajärjestelmän tehtäviä olisivat mm.
eri lähteistä tulevan valvontatiedon yhdistäminen, ver
tailu ja tulkinta
- tietojenkäsittelymenetelmien valinta toimintojen priorisointi ja
taustatietojen (henkilötiedot, diagnoosi, hoitotoimen
piteet jne.) ottaminen huomioon.
Asiantuntijajärjestelmää nimitetään sulautetuksi, kun se saa osan tiedoistaan automaattisesti muulta järjestelmältä.
Tehohoidon ja anestesian välittömästä potilasvalvonnasta huolehtivan asiantuntijajärjestelmän tulee olla varsin pitkälle sulautettu, sillä päättely perustuu suurimmaksi osaksi mittaustietoon ja käyttäjän kanssa kommunikoidaan lähinnä hälytysten syitä selvitettäessä. Asiantuntijajär
jestelmä voidaan viedä jopa kokonaan mittalaitteen sisäl
le, jolloin tietämystekniikan käyttö näkyy ulospäin vain mittaustiedon parantuneena laatuna.
Eri laitteilta asynkronisesti kerättävä mittaustieto aset
taa erityisiä vaatimuksia asiantuntijajärjestelmän suori
tuskyvylle: päätelmien on synnyttävä nopeasti ja niitä on
voitava muuttaa, kun saadaan uutta tietoa. Reaaliaikaisen tiedonhallintaan on mahdollista päästä esimerkiksi black
board -järjestelmärakenteella. Asiantuntijajärjestelmä koostuu tällöin tiettyihin osaongelmiin erikoistuneista tietämyslähteistä, kommunikaatiovälineenä toimivasta liitu- taulusta (blackboard) ja ohjaussysteemistä. Tietämys lähteet voivat olla tekoälyrakenteita tai perinteisiä tietokoneoh
jelmia. Liitutaulu sisältää aina uusimmat syöttötiedot ja eri tietämyslähteiden antamat tulokset. Blackboard-tekniik- kaa aiotaan soveltaa VTT : n sairaalatekniikan laboratorion projektissa, jonka tavoitteena on älykkään hälytysjärjes
telmän kehittäminen tehohoitoa varten /16/.
Tehohoidosta ja anestesiasta löytyy asiantuntijajärjestel
mille myös sellaisia sovellutuskohteita, joissa reaaliai
kainen päättely ei ole välttämätöntä: esimerkiksi nestehoi
don, lääkityksen ja ravitsemuksen suunnittelussa tarvitta
vat mittausarvot muuttuvat hitaasti. Päätöksentekoa tukeva interaktiivinen järjestelmä voi olla luonteeltaan konsul
toiva tai kritisoiva. Kritisoiva asiantuntijajärjestelmä, joka arvostelee lääkärin tekemää hoitosuunnitelmaa ja ver
taa sitä muihin mahdollisiin ratkaisuihin, on havaittu paremmaksi vaihtoehdoksi kuin konsultoiva järjestelmä.
Lääketieteellisen tekoälyn tutkimus- ja kehitystyö on tällä hetkellä vilkasta, mutta rutiinikäyttöön päässeitä asian
tuntijajärjestelmiä on toistaiseksi vähän. Tunnettuja jär
jestelmiä tehohoidon ja anestesian alalta ovat kokonaisval
taiseen tiedonhallintaan ja konsultointiin suuntautunut HELP-systeemi, ventilaattoripotilasta valvova VM ja anes- tesiapotilaan hoitoa opettava ATTENDING /22,81/. Lääketie
teellisissä sovellutuksissa kohdataan tietämystekniikan yleisten vaikeuksien lisäksi se hankaluus, että asiantunti
joiden näkemykset vaihtelevat sairaalasta toiseen: tietä
myskanta pitäisi siis sopeuttaa kunkin käyttöympäristön vaatimuksiin. Todennäköisesti osaongelmien käsittelyyn ja mittausjärjestelmän sisäiseen laadunvalvontaan tarkoitetut tekoälyratkaisut tulevat anestesiaan ja tehohoitoon nopeim
min. Laajamittaiset tietämyspohjaiset valvontatiedon hal
lintajärjestelmät tuskin yleistyvät tällä vuosituhannella.
9.5 Yleistilanteen visuaalinen esitys
Fysiologinen profiili sisältää tietyn valikoiman mitattu
jen ja johdettujen valvontasuureiden viimeisimpiä arvoja.
Profiileja on perinteisesti määritetty sydämeen ja veren
kiertoon, hengitykseen sekä aineenvaihduntaan liittyvistä suureista. Potilasmonitorit esittävät fysiologisen profii
lin yleensä taulukkomuodossa, mutta havainnollinen
graafi-nenkin esitys on helppo toteuttaa automaattisesti. Kuvassa 35 on hengitysprofiiIin pylväsesitys, johon on merkitty myös suureiden normaalialueet. Pylväskuvio pystytään hah
mottamaan nopeammin, jos suureiden asteikot valitaan siten, että profiili on normaalitilanteessa suunnilleen vaakasuo
ra. Lisäksi normaalialueen ylittäviä ja alittavia pylväitä voitaisiin korostaa värein tai kirkkauseroin.
PERFUSION
OXYGENATION VENTILATION
MECHANICS
700 —
1750..
OO..
80..
1500..
"35-.
125..
1000..
JOO-. 30-.
0.2..
Kuva 35. Hengitysvajauksesta kärsivän potilaan respirato- rinen profiili /89/. Suureiden normaalialueet on tummen
nettu .
Kuvassa 36 on esitetty valikoiduista verenkiertosuureista koostuva profiili säteiskuviona. Suureiden skaalaukseen käytetyt keskiarvot ja keskihajonnat on tässä määritetty referenssiryhmältä, johon kuuluneilla potilailla ei ollut mitään akuuttia sairautta. Sisäkkäiset ympyrät vastaavat 0-4 keskihajonnan etäisyyttä referenssiarvosta. Kuvan kulmiin on piirretty neljälle patofysiologiselle tilalle tyypilliset profiilit, jotka on saatu soveltamalla tilas
toi lista luokittelumenetelmää tehohoitopotilailta kerättyyn mittausaineistoon. Kuvioiden alapuolelle on merkitty kunkin prototyypin ja tutkittavan profiilin erilaisuutta kuvaava vertailuluku. Tähtimäinen graafinen esitys vaikuttaa erit
täin havainnolliselta.
STRESS RESPONSE
Cl
.4.91
METABOLIC DECBhP.
A Stole: 2.5
D/A Ratio: 2.31 CAR0IO6ÍH1C
В State: 1.7 C/В Ratio: 1 52
RESP. DECOhP.
0 State: 6.9 C State : 7.1
Kuva 36. Verenkiertosuureiden fysiologinen profiili. Poti
laan tila muistuttaa eniten tapausta A. /82/
Fysiologisia profiileja on esitetty jopa tyyliteltyinä kasvokuvina, joissa mittaussuureiden arvot on muutettu kasvonpiirteiden dimensioiksi /7/. Tällöin käytetään hyväk
si eri ilmeisiin liittyviä assosiaatioita ja ihmisen luon
taista kykyä tunnistaa kasvoja.
Kahden valvontasuureen aikakehitys saadaan helposti samaan kuvaan esittämällä potilaan tila vektorina, jonka kärki- piste liikkuu tasossa. Mikäli mittaussuureet korreloivat riittävästi keskenään, useammankin suureen sisältämä infor
maatio voidaan tiivistää kaksiulotteiseksi vektoriesityk- seksi pääkomponenttianalyysin avulla. Menetelmää on sovel
lettu sydänpotilaiden valvontaan /63/. Kullekin potilaalle määritettiin tarvittava koordinaatistomuunnos stabiilin
"perusjakson” aikana mitattujen sydän- ja verenkiertosuu
reiden perusteella. Uudet koordinaattiakselit saatiin rat
kaisemalla korrelaatiomatriisin
(47) kahta suurinta ominaisarvoa vastaavat ominais vektori t.
Tässä N on perusjakson pituus näytteinä ja z(t) on normee- rattujen signaalinäytteiden muodostama vektori hetkellä t:
T
(48)
Perusjakson jälkeen mitatut fysiologisten parametrien arvot transformoitiin pääkomponenttikoordinaatistoon ja esitet
tiin tason pisteinä (kuvat 37 ja 38).
AOM-
PAS-a) b)
Kuva 37. a) Alkuperäiset aikasarjat, joissa näkyy kaksi sydänkohtausta, b) Koordinaattimuunnoksen tuottamat pää
komponentit : kaksi ensimmäistä komponenttia sisältävät suu
rimman osan signaalien alkuperäisestä vaihtelusta. /63/
Kuva 38. Kohtauksien aikaiset pääkomponentit xy-tasossa esitettynä. Valkoinen läiskä vastaa ennen kohtausta ja sen jälkeen vallinnutta tilannetta. /63/
Redusoidusta esitysmuodosta voitiin kyllä tunnistaa akuutit tapahtumat, mutta käyrän seurantaa ei pystytty opettamaan niin monelle lääkärille ja hoitajalle, että menetelmää olisi voitu käyttää rutiininomaisesti. Haittana on mm.
se, ettei uusilla koordinaattiakseleilla ole konkreettista merkitystä. Mitä heikommin monitoroitavat suureet riippu
vat toisistaan, sitä vaikeampi niitä on puristaa kahdeksi pääkomponentiksi, joten menetelmällä voi kuvata lähinnä yhden elinjärjestelmän toimintaa. Lisäksi menetelmässä oletetaan, että valvontasuureiden korrelaatiorakenne on potilaalle ominainen eikä muutu ajan kuluessa.
Kehittyneiden automaatiojärjestelmien näyttö tekniikkaa voi
taisiin osin pitää esimerkkinä suunniteltaessa potilaskoh
taisia yleisnäyttöjä. Prosessikaaviota vastaa ihmisen kuva eri elinjärjestelmiä kuvaavine symboleineen. Yleisnäytössä esitetään potilaan tiivistetyt henkilötiedot sekä muutamat keskeisimmät käyrät ja numeroarvot, kuten EKG ja verenpai
nelukemat. Yksityiskohtaisemmat tiedot mittauksista, tren
deistä, johdetuista parametreista jne. haetaan ruudulle esimerkiksi siirtämällä kohdistin vastaavalle ihmiskaavion alueelle.
Potilaan tilaa kuvaava yleisindeksi esitetään vaikkapa lämpömittarinäyttönä. Voidaan myös ajatella jonkinlaista reaaliaikaista fysiologista profiilia, joka sisältäisi tär
keimmät valvontasuureet ja muuttuisi mittaustiedon mukana.
Hälytystilanteessa osoitetaan värein tai vilkkuvalla valol
la, mitä elimistön osaa tai suureryhmää hälytys koskee.
Kriittiset tiedot tuodaan ehkä automaattisesti näkyville.
Käyrien pahanlaatuisia osia, kuten vääristyneitä pulsseja tai hälytysrajan ylittäneitä trendipisteitä, voidaan täl
löin korostaa.
10. MENETELMIEN KEHITYSNÄKYMÄT
Potilasvalvonnassa on selvästi paineita parantaa mittaus- tiedon luotettavuutta ja vähentää turhia hälytyksiä. Val
von ta suure iden lisääntyessä myös monimuuttujäisen mittaus- tiedon hallintaan joudutaan kiinnittämään yhä enemmän huo
miota. Tehohoidon ja anestesian valvontalaitteisto, tiedon
hallinta ja valvontatarpeet uudistuvat kuitenkin hitaasti, joten tässä työssä esitettyjä menetelmiä voidaan toistai
seksi kehittää ja soveltaa lähinnä yliopistollisissa kes
kussairaaloissa ja muissa erikoissairaaloissa.
Matemaattisten tieto jenkäs it te ly mene te Imien mahdollisuudet anestesiassa ja tehohoidossa riippuvat ratkaisevasti siitä, miten helppokäyttöisiksi ja luotettaviksi menetelmät pysty
tään tekemään. Käyttäjiltä tulee vaatia mahdollisimman vähän lääketieteen ja hoitotaidon ulkopuolelle menevää osaamista, ja tuloksien tulkinta on voitava oppia kohtuul
lisen helposti. Toisaalta lääkärien ja hoitajien oman alan ammattitaitoa ei pidä jättää hyödyntämättä, vaikka rutiini- valvonta pyrittäisiinkin automatisoimaan.
10.1 Lupaavimmat menetelmät
Osaa tässä työssä kuvatuista matemaattisista menetelmistä kannattaisi tutkia lisää ja kokeilla käytännössä.
Ainakin verenpaineelle ja sydämen lyöntitiheydelle voitai
siin luoda mediaanisuodatukseen perustuvat trendinäytöt, mikäli LMH-suodattimen tuottama trendikäyrän esitysmuoto todetaan hyödylliseksi.
Lineaarisen kasvun malli, jonka parametrit estimoidaan adaptiivisella Kalman-suodattimella, vaikuttaa lupaavalta välineeltä sekä valvontasuureiden seurantaan että lyhyen aikavälin ennustamiseen. Käyttäjältä vaadittavia alkumää- rittelyjä tulisi kuitenkin yksinkertaistaa. Fysiologisia malleja kannattaa käyttää hyväksi aina, kun se on mahdol
lista: esimerkiksi nestehoitoon liittyville suureille voi
daan laatia pitkänkin aikavälin ennusteita mallien avulla.
Spektrianalyysi ja matemaattiset hahmontunnistusmenetel- mät ovat jo tulossa EEG-monitorointiin. Varsinaisia hahmon- tunnistusmenetelmiä tuskin käytetään lähiaikoina rutiinin
omaisesti muiden suureiden kuin EEG : n ja EKG : n valvonnassa.
Monimuuttujäisen mittaustiedon hallintaan ei ole oikotie
tä. Tietojen selkeä ryhmittely ja havainnollinen näyttötek- niikka ovat joka tapauksessa suureksi avuksi. Potilaan
tilaa kuvaavia indeksejä ja fysiologisia profiileja tulisi kehitellä edelleen. Mittausarvoista johdettujen loogisten muuttujien kombinointi lienee toistaiseksi realistisin tapa käsitellä useasta suureesta riippuvia hälytyksiä.
Asiantuntijajärjestelmien kehitystä kannattaa kuitenkin seurata tiiviisti.
10.2 Tutkimus- ja kehitystyö
Kun matemaattisia apuvälineitä tuodaan potilasva Ivontaan, käsiteltävien fysiologisten suureiden ominaisuudet ja tyy
pillinen käyttäytyminen va1vontatilanteessa tulee tuntea hyvin. Toinen perusedellytys on, että lääkärit ja hoitajat katsovat uusilla menetelmillä saatavan tiedon hyödyllisek
si.
Fysiologisten signaalien ja niiden tulkinnan perustutkimus kuuluu paremmin tutkimuslaitosten kuin sairaaloiden tehtä
viin. Poti las valvontaan suoranaisesti liittyvät kysymykset, kuten erilaisten hälytystilanteiden määrittely mittausarvo
jen avulla, vaativat tutkijoiden ja kliinikoiden kiinteää yhteistyötä. Matemaattisia tietojenkäsittely menetelmiä kehitettäneen aluksi pääasiassa tehohoitoa varten, koska sekä potilasta kohti kerättävä tietomäärä että automaatti
sen valvonnan ja valvontatiedon jatkokäsittelyn tarve on tehohoidossa suurempi kuin anestesiassa.
Sairaalassa tapahtuvan kehitys- ja arviointityön pohjaksi tarvitaan modulaarinen potilasvalvonnan tietojärjestelmä, jonka osaksi tutkittavat matemaattiset aiirakenteet voidaan helposti liittää. Työhön osallistuvien lääkäreiden tulisi voida modifioida tutkittavia algoritmeja, mutta heiltä ei pidä vaatia varsinaisia ohjelmointitaitoja. Todennäköisesti useimpia menetelmiä kokeillaan ensimmäiseksi lääkärien ke
räämän tutkimusaineiston off line -prosessointiin.
Fysiologisia mittaus suure itä ja fysiologisten järjestelmien dynaamisia malleja tutkitaan maailmalla varsin paljon, jos
kin valtaosa tästä työstä on teoreettisesti tai diagnos
tiikkaan suuntautunutta. Va 1 vont asuureis ta erityisesti EKG ja EEG ovat suosittuja tutkimuskohteita.
LMH-suodattimen soveltuvuuttaverenpainesignaalien käsitte
lyyn selvitetään VTT : n sairaalatekniikan laboratoriossa ja Tampereen teknillisellä korkeakoululla laajan fysiolo
gisten signaalien tutkimusprojektin yhteydessä.
Trend ianalyysi herätti melko suurta mielenkiintoa 1970- luvulla, kun teollisuudessa kehitettyjä monitorointi- ja ennustamismenetelmiä alettiin kokeilla potilasvalvontaan.
Nämä sovellutukset eivät yleensä vastanneet odotuksia, jotka saattoivat olla liian suuretkin /9/. Uusimmissa tut
kimuksissa /2,3,28/ on panostettu lähinnä Kalman-suodatuk- sen jatkokehittelyyn, mutta yleisesti ottaen trendiana- lyysiin on viime aikoina kiinnitetty varsin vähän huomiota.
Useita tehohoitoa ja anestesiaa sivuavia tekoälyprojek- teja on äskettäin käynnistynyt tai juuri käynnistymässä.
Teknologian kehittämiskeskuksen tekoälyohjelmaan /59/ kuu
luu lääketieteellinen osaprojekti, jonka tavoitteena on mm. luoda nestehoidon suunnittelussa ja seurannassa avusta
va asiantuntijajärjestelmä. Työ tehdään VTT:n sairaalatek
niikan laboratoriossa. Myös vikadiagnostiikan ja voimalai- tosvalvonnan asiantuntijajärjestelmiä koskevat tekoälyoh
jelman osa-alueet ovat jossain määrin mielenkiintoisia potilasvalvonnan kannalta.
VTT/SAI osallistuu Euroopan yhteisön COST 13 -tutkimusoh
jelmaan projektilla Älykkäät hälytykset tehohoidossa. Muita COST 13:n lääketieteellisen ohjelman tutkimuskohteita ovat nestetasapainon valvonta tehohoidossa, arytmiamonitorointi ja fysiologisten järjestelmien dynaaminen mallintaminen /16/.
Tehohoito on yksi painopistealueista pohjoismaisessa lääke
tieteellisen tietämystekniikan yhteistyöohjelmassa KUSIN- MED. Ruotsissa ja Tanskassa tutkitaan tietämystekniikan soveltamista mm. arytmia-analyysiin, respiraattorihoitoon, pa 1 ovammapoti 1 aan nestehoitoon ja anestesian aikaiseen EEG-monitorointiin /53/.
Tekoälyprojekteista saatava hyöty ei rajoitu kokemuksiin tietämystekniikan käytöstä . Asiantuntijajärjestelmiä raken
nettaessa joudutaan tarkastelemaan systemaattisesti sekä kaikkia tietämysjärjestelmän alaisia signaalinkäsittelyme
netelmiä että tehohoidon tai anestesian tiedonhallintaa kokonaisuutena.
11. YHTEENVETO
Automaattiset mittaukset mahdollistavat yhä useampien fy
siologisten suureiden jatkuvan valvonnan tehohoidossa ja leikkauksen aikana. Mittaussuureiden lisääntyessä tietojen hallinta vaikeutuu. Potilasvalvonnan ongelmia ovat myös turhat hälytykset ja mittaustiedon epäluotettavuus. Tässä työssä etsittiin kirjallisuudesta matemaattisia tietojen- käsittelymenetelmiä, jotka parantaisivat mittaustiedon laa
tua ja auttaisivat mittaustulosten tulkinnassa ja havain
noi 1istamisessa.
Digitaalisilla suodattimilla voidaan tasoittaa mitattujen signaalien satunnaista vaihtelua. Nopeasti muuttuvien suu
reiden, kuten verenpaineen trendikäyriä voisi olla edul
lista käsitellä LMH (Linear Median Hybrid) -suodattimena, joka tuo selvästi näkyviin signaalin perustason muutokset.
Ideaalitapauksessa mittaussuureiden seuranta, ennustaminen ja säätö perustuisi dynaamiseen fysiologiseen malliin.
Tällaisia malleja on rakennettu lähinnä nestetasapainoon liittyvistä suureista. Kun todellisia syy - seuraussuhteita ei voida ottaa huomioon, valvontasuureen trendiä kuvaavat yksinkertaiset aikasarjamallit ovat käyttökelpoisimpia.
Matemaattisten trendianalyysi- ja ennustamismenete 1 mien avulla on mahdollista havaita valvontasuureen muutoksia, ennakoida kriittisiä tilanteita ja estää osa turhista häly
tyksistä. Menetelmät, joiden antamat tulokset riippuvat voimakkaasti suureen tavoitearvon tai normaalialueen mää
rittelystä, ovat osoittautuneet ongelmal 1 isiksi. Adaptiivi
seen Kalman-suodatukseen perustuvat ratkaisut vaikuttavat lupaavimmi1ta.
Yksiulotteiseen signaaliin sisältyvä informaatio on ilmais
tavissa muutenkin kuin perinteisenä aika - amplitudikäyrä- nä. Vaihtoehtoiset esitysmuodot edellyttävät useimmiten tulkintakokemusta. Tyypillinen esimerkki tästä on signaalin tehospektri, josta on hyötyä lähinnä EEG-monitoroinnissa.
Hahmontunnistusmenetelmien käyttö saattaa jatkossakin pai
nottua EKG:n ja EEG:n valvontaan, mutta myös mittaustiedon
nottua EKG:n ja EEG:n valvontaan, mutta myös mittaustiedon