Czech Technical University in Prague

České vysoké učení technické v Praze
Fakulta elektrotechnická
Disertační práce
2011
Ing. Petr Novák
i
České vysoké učení technické v Praze
Fakulta elektrotechnická
Katedra kybernetiky
Objektivizace a podpora pro
diagnostiku a rehabilitaci
strabismu
Disertační práce
Ing. Petr Novák
Praha, červen, 2011
Doktorský studijní program: Elektrotechnika a informatika
Studijní obor: Umělá inteligence a Biokybernetika
Školitel: Prof. RNDr. Olga Štěpánková CSc.
ii
Poděkování
V prvé řadě bych chtěl poděkovat lékařům FN Nemocnice v Motole a Polikliniky na
Barrandově, se kterými již delší dobu spolupracuji a kteří věnovali svůj čas sběru dat a
ověřování nových myšlenek jak zkvalitnit diagnostiku a rehabilitaci strabismu. Diskuze
s nimi byly pro mne velkou inspirací. Rovněž děkuji všem kolegům a spolupracovníkům,
kteří pomohli nebo přispěli jakoukoli radou. Velmi si cením podpory, které se mi
dostalo na katedře kybernetiky i cenných rad a připomínek některých pracovníků prof.
Chalupy a doc. Ecka a především vedoucí mé disertační práce prof. Olgy Štěpánkové.
iii
Abstrakt
Práce navrhuje, popisuje a testuje originální implementaci komplexního systému, který nabízí
SW alternativu pro některá vyšetření poruch správného vidění. Vedle klasických příznaků, které
v průběhu testu získává lékař, definuje a vyhodnocuje systém i některé nové příznaky spojené
například s dynamikou chování pacienta v průběhu testu. Tyto výsledky jsou poté využity
k návrhu znalostního systému pro podporu rozhodování lékaře při stanovení diagnózy.
Výsledný systém kombinuje přístup založený na pravidlovém a případovém usuzování.
Další část systému využívá navržené SW nástroje pro cílenou adaptivní rehabilitaci probíhající
podle potřeb pacienta a aktuálního vývoje jeho poruchy, která je rovněž průběžně objektivně
hodnocena. S tímto přístupem lze dobu léčby nejen zkrátit, ale současně i zkvalitnit (a to zvlášť
u pacientů předškolního věku) či z velké části přenést do domácího prostředí.
Abstract
The thesis is dedicated to design, development and testing of a complex SW system that offers
a software alternative to some classic tools and tests used for diagnosis of strabismus. Besides
the usual symptoms that the doctor considers and evaluates during the classic version of these
tests, the presented system introduces some new features related to the dynamics of patient´s
behavior during the test. The obtained results are then applied in the design of the knowledgebased decision support system for diagnosis of strabismus combining case-based and rulebased reasoning.
Moreover, the system applies the designed software tools for control of targeted adaptive
rehabilitation that reflects patient's actual needs and state of his/her disorder as characterized
by the provided on-line objective assessment. This approach allows to improve the treatment
process, especially in patients of pre-school age, to make it shorter and even to transfer it into
patient´s home.
iv
Obsah
1
ÚVOD ............................................................................................................................................ 1
1.1
SEZNÁMENÍ S PROBLEMATIKOU .......................................................................................................... 1
2
HLAVNÍ CÍLE PRÁCE ....................................................................................................................... 3
3
SOUČASNÝ STAV ........................................................................................................................... 4
4
NÁVRHY NA ŘEŠENÍ ...................................................................................................................... 7
5
OBJEKTIVIZACE VYŠETŘOVACÍCH POSTUPŮ .................................................................................. 9
5.1
5.2
5.3
5.4
5.5
6
DIAGNOSTICKÉ NÁSTROJE ........................................................................................................... 23
6.1
6.2
6.3
7
VÝSTUP TESTU HESSOVO PLÁTNO (HESSSCREEN - HS) .......................................................................... 50
MOŽNÉ NEPŘESNOSTI A CHYBY ZE STRANY PACIENTA ............................................................................ 51
PŘEDPOKLAD NA TVAR HS OBRAZCE .................................................................................................. 53
PRINCIP HODNOCENÍ HS OBRAZCE LÉKAŘEM ....................................................................................... 53
PŘÍKLADY VÝSTUPŮ HS TESTU .......................................................................................................... 55
MOŽNOSTI KLASIFIKACE BEZ ZNALOSTI DIAGNÓZY................................................................................. 57
MOŽNOSTI KLASIFIKACE SE ZNALOSTÍ DIAGNÓZY .................................................................................. 58
VARIABILITA DIAGNÓZ .................................................................................................................... 59
PRINCIP POROVNÁNÍ DVOU HS OBRAZCŮ ........................................................................................... 60
MATEMATICKÝ POPIS HS OBRAZCE A MOŽNÉ PŘÍZNAKY ......................................................................... 62
INTERPRETACE (PŘÍZNAKOVÉHO / SYMBOLICKÉHO) POPISU HS OBRAZCE................................................... 65
REPREZENTACE DAT Z HS OBRAZCE ............................................................................................. 67
9.1
9.2
10
GRAFICKÉ ZOBRAZENÍ INFORMACÍ Z ÚLOŽIŠTĚ A JEJICH EXPORT ............................................................... 48
ANALÝZA DAT ............................................................................................................................. 50
8.1
8.2
8.3
8.4
8.5
8.6
8.7
8.8
8.9
8.10
8.11
9
ZCELA NOVÉ EXPERIMENTÁLNÍ ÚLOHY ................................................................................................ 40
DALŠÍ MOŽNOSTI ZVÝŠENÍ OBJEKTIVIZACE DIAGNOSTICKÉHO PROCESU ...................................................... 43
ULOŽENÍ A PŘEHLED VÝSLEDKŮ JEDNOTLIVÝCH TESTŮ ............................................................................ 43
ULOŽIŠTĚ PRO MĚŘENÁ DATA A DALŠÍ INFORMACE ................................................................... 45
7.1
8
OKOHYBNÝ APARÁT ČLOVĚKA A JEHO HLAVNÍ PORUCHY ........................................................................... 9
ZÁKLADNÍ DIAGNOSTICKÉ MOŽNOSTI ................................................................................................. 12
MOŽNÉ NEPŘESNOSTI VE VÝSTUPU MĚŘENÍ NEBO TESTŮ ....................................................................... 15
NESTABILITA PORUCHY A NEJISTOTA PACIENTA .................................................................................... 17
STANOVENÍ ZÁKLADNÍCH PARAMETRŮ PACIENTA .................................................................................. 20
NĚKOLIKA ÚROVŇOVÝ POPIS DAT ...................................................................................................... 69
VÝHODY SYMBOLICKÉHO POPISU O NĚKOLIKA ÚROVNÍCH ....................................................................... 79
SYSTÉM PRO PODPORU NÁVRHU DIAGNÓZY .............................................................................. 80
10.1
10.2
10.3
10.4
10.5
10.6
ČÁST VYUŽÍVAJÍCÍ PRAVIDLA ............................................................................................................. 82
APLIKACE PRO PODPORU NÁVRHU DIAGNÓZY VYUŽÍVAJÍCÍ PRAVIDLA ........................................................ 84
ČÁST VYUŽÍVAJÍCÍ PŘÍKLADY ............................................................................................................. 86
NĚKTERÉ DALŠÍ POLOŽKY ZAHRNUTÉ V PŘÍKLADOVÉM USUZOVÁNÍ ........................................................... 94
APLIKACE PRO NÁVRH DIAGNÓZY POMOCÍ PŘÍPADOVÉHO USUZOVÁNÍ ...................................................... 95
SOUČINNOST PŘÍPADOVÉHO A PRAVIDLOVÉHO SYSTÉMU ....................................................................... 95
v
11
HODNOCENÍ ÚSPĚŠNOSTI PODPORY NÁVRHU DIAGNÓZY .......................................................... 98
11.1
HODNOCENÍ ČÁSTI VYUŽÍVAJÍCÍ POUZE PŘÍKLADY .................................................................................. 98
11.1.1
Úvahy o vstupním souboru oklasifikovaných příkladů ................................................... 108
11.2
HODNOCENÍ ČÁST VYUŽÍVAJÍCÍ POUZE PRAVIDLA, POUZE PŘÍKLADY A OBOU ČÁSTÍ V SOUČINNOSTI. ............... 109
11.3
CELKOVÉ HODNOCENÍ ÚSPĚŠNOSTI PODPORY LÉKAŘE .......................................................................... 117
12
OBJEKTIVIZACE PROCESU REHABILITACE ................................................................................... 119
12.1
ANALÝZA REHABILITAČNÍHO PROCESU .............................................................................................. 119
12.2
TVORBA PLÁNU REHABILITACE A OBJEKTIVIZACE JEJÍHO HODNOCENÍ ....................................................... 123
12.3
STRATEGIE PRO PODPORU PLÁNOVÁNÍ ............................................................................................. 125
12.4
PŘÍKLADY REHABILITAČNÍCH ÚLOH................................................................................................... 129
12.5
STRATEGIE MODULU PRO OBJEKTIVNÍ HODNOCENÍ ............................................................................. 133
12.5.1
Návrh hodnocení některých úloh a vývoje rehabilitace ................................................. 135
12.6
IMPLEMENTACE ČÁSTI NÁVRHU REHABILITACE A OVĚŘENÍ ČINNOSTI ....................................................... 138
12.7
ZÍSKANÉ VÝSLEDKY PŘI HODNOCENÍ PROCESU REHABILITACE ................................................................. 142
12.8
HODNOCENÍ PŘÍNOSU REHABILITAČNÍHO PROCESU ............................................................................. 145
13
ZÁVĚR ....................................................................................................................................... 148
13.1
13.2
13.3
13.4
13.5
13.6
SOUČASNÁ VYUŽITELNOST TÉTO PRÁCE ............................................................................................ 149
VYUŽITÍ ZE STRANY LÉKAŘŮ SPOLUPRACUJÍCÍCH PRACOVIŠŤ .................................................................. 149
OHLAS ZE STRANY PACIENTŮ .......................................................................................................... 150
PODPORA PRO VYUŽÍVÁNÍ VÝSLEDKŮ TÉTO PRÁCE............................................................................... 151
NÁVRHY NA PROTOTYPY, UŽITNÉ VZORY A PATENTY ............................................................................ 151
HLAVNÍ CÍLE DO BUDOUCNA .......................................................................................................... 152
14
LITERATURA .............................................................................................................................. 154
15
PŘÍLOHA A – INFORMOVANÝ SOUHLAS PACIENTA .................................................................... 156
16
PŘÍLOHA B – FOTOGRAFIE Z LÉKAŘSKÉ ORDINACE .................................................................... 157
17
PŘÍLOHA C – VYTVOŘENÉ APLIKACE .......................................................................................... 158
vi
Seznam obrázků
OBRÁZEK 5.1: SOUSTAVA OKOHYBNÝCH SVALŮ ČLOVĚKA: A) SKUTEČNÉ UMÍSTĚNÍ OKOHYBNÝCH SVALŮ V LEBCE ČLOVĚKA, B)
JEJICH LOGICKÉ UMÍSTĚNÍ PRO VÝUKOVÉ ÚČELY............................................................................................. 10
OBRÁZEK 5.2: NÁVAZNOST OKOHYBNÝCH SVALŮ NA JEJICH NERVY A POTÉ NERVOVÁ JÁDRA........................................... 11
OBRÁZEK 5.3: PŘÍKLADY DVOU ÚLOH PRO DETEKCI NĚKTERÝCH ZÁKLADNÍCH PARAMETRŮ PACIENTA: A) UMISŤOVÁNÍ BODŮ NA
ZADANÉ POZICE, B) VYPLŇOVÁNÍ MOZAIKY PODLE VZORU. .............................................................................. 21
OBRÁZEK 6.1: WORTHOVA SVĚTLA: A) TESTOVACÍ SCÉNA, B) TEXTOVÉ ODPOVĚDI, C) GRAFICKÉ ODPOVĚDI PRO PACIENTA. .. 24
OBRÁZEK 6.2: TEST POMOCÍ OPTOTYPŮ: A) ZOBRAZENÉ OPTOTIPY, B) OKAMŽITÉ HODNOCENÍ TESTU, C) PRŮBĚŽNÉ
HODNOCENÍ ZA URČITÝ ČASOVÝ INTERVAL.................................................................................................... 26
OBRÁZEK 6.3: TEST NA EXCENTRICKOU FIXACI: A) B) PRŮBĚH TESTU, C) AKTUÁLNÍ HODNOCENÍ D) DLOUHODOBÉ HODNOCENÍ
ZA URČITÝ ČASOVÝ INTERVAL..................................................................................................................... 28
OBRÁZEK 6.4: DVA REÁLNÉ VÝSTUPY SW TESTU NA EXCENTRICKOU FIXACI: A) NEOSTRÉ VIDĚNÍ (10X OPTICKY ZVĚTŠENO), B)
SKUTEČNÁ EXCENTRICKÁ FIXACE (10X OPTICKY ZVĚTŠENO). ............................................................................. 29
OBRÁZEK 6.5: TEST NA OMEZENÍ POHYBLIVOSTI OKA: A) ZÁKLADNÍ VYUŽÍVANÉ POHLEDOVÉ SMĚRY, B) AKTUÁLNÍ HODNOCENÍ
TESTU, C) SPECIÁLNÍ GRAFICKÉ HODNOCENÍ ZA DELŠÍ ČASOVÝ INTERVAL, D) DLOUHODOBÉ HODNOCENÍ ČÁROVÝM
GRAFEM. .............................................................................................................................................. 29
OBRÁZEK 6.6: PŘÍKLADY HODNOCENÍ ROZSAHU POHYBU OKA ZA URČITÉ ČASOVÉ OBDOBÍ A JEHO NESTABILITA. ................. 30
OBRÁZEK 6.7: SW TEST FUZE: A) B) OBRAZEC NASTAVOVANÝ PACIENTEM, C) HODNOCENÍ ZA URČITÝ ČASOVÝ INTERVAL. .... 31
OBRÁZEK 6.8: SW PODOBA TESTU ZORNÉHO POLE: A) ZÁKLADNÍ OBRAZOVKA, B) PŘÍKLAD AKTUÁLNÍHO HODNOCENÍ TESTU. 33
OBRÁZEK 6.9: ZÁZNAMY POŘÍZENÉ PŘI VYŠETŘENÍ NA HESSOVĚ PLÁTNĚ OD DVOU RŮZNÝCH PACIENTŮ. KAŽDÝ ZÁZNAM
OBSAHUJE VŽDY DVA OBRAZCE A TO PRO LEVÉ A PRAVÉ OKO............................................................................ 34
OBRÁZEK 6.10: VYTVOŘENÁ SW VARIANTA HESSOVA TESTU: A) ZÁKLADNÍ POZICE STIMULAČNÍCH BODŮ, B) C) PŘÍKLADY
VÝSTUPŮ OD DVOU REÁLNÝCH PACIENTŮ. .................................................................................................... 37
OBRÁZEK 6.11: UKÁZKA VÝSTUPU VYŠETŘENÍ HESSOVA PLÁTNA POMOCÍ SW VERZE TESTU OD DVOU PACIENTŮ A), B). ...... 40
OBRÁZEK 6.12: ZOBRAZENÍ DEFORMACE, NEJISTOTY A NESTABILITY PACIENTA NA DVOU VÝSTUPECH HESSOVA PLÁTNA A), B).
.......................................................................................................................................................... 40
OBRÁZEK 6.13: NOVĚ VZNIKLÝ TEST PRO DETEKCI SOUBĚHU OBOU OČÍ V HORIZONTÁLNÍM NEBO VERTIKÁLNÍM SMĚRU: A)
VÝSTUP VYTVOŘENÝ PACIENTEM, B) JEHO GRAFICKÉ HODNOCENÍ PRO LÉKAŘE. .................................................... 41
OBRÁZEK 6.14: DALŠÍ TEST PRO MĚŘENÍ SOUBĚHU OČÍ: A) OBKRESLENÝ OBRAZEC PACIENTEM, B) MATEMATICKÉ
VYHODNOCENÍ POZICE A POOTOČENÍ OBRAZCE NAKRESLENÉHO PACIENTEM. ...................................................... 41
OBRÁZEK 6.15: ELEKTRONICKÝ FORMULÁŘ PRO VÝSLEDKY TESTŮ PŘI ROZBORU: A) VYPLNĚNÝ FORMULÁŘ, B) PŘÍKLAD NABÍDKY
HODNOT DO POLOŽKY PŘI VYPLŇOVÁNÍ FORMULÁŘE...................................................................................... 44
OBRÁZEK 7.1: STRUKTURA NIŽŠÍ ČÁSTI UNIVERZÁLNÍHO ÚLOŽIŠTĚ. ČÁST PRO TVŮRCE SW NÁSTROJŮ. ............................. 47
OBRÁZEK 7.2: STRUKTURA VYŠŠÍ ČÁSTI UNIVERZÁLNÍHO ÚLOŽIŠTĚ. ČÁST PRO LÉKAŘE A DALŠÍ UŽIVATELE. ........................ 48
OBRÁZEK 7.3: PŘÍKLADY ZOBRAZENÍ RŮZNÝCH TYPŮ DAT OBSAŽENÝCH V ÚLOŽIŠTI. ZOBRAZENÍ NEZÁVISLÉ NA NÁSTROJI, KTERÝ
DATA POŘÍDIL A ULOŽIL. ........................................................................................................................... 49
OBRÁZEK 8.1: PRINCIP HS TESTU: A) POUZE ČERVENÉ STIMULAČNÍ BODY, B) SOUČASNĚ ZELNÉ BODY UMÍSTĚNÉ PACIENTEM, C)
OBRAZEC VZNIKLÝ POSPOJOVÁNÍM URČITÝCH BODŮ UMÍSTĚNÝCH PACIENTEM. ................................................... 50
OBRÁZEK 8.2: PRŮMĚRNÉ ODCHYLKY ÚHLŮ JEDNOTLIVÝCH HRAN U A) RELATIVNĚ POMALÝCH A B) RELATIVNĚ RYCHLÝCH HS
TESTŮ. VÝSLEDNÁ HODNOTA URČENA JAKO PRŮMĚR Z 30 X 3 TESTŮ. KAŽDÝ TEST BYL 3X OPAKOVÁN...................... 52
OBRÁZEK 8.3: MAXIMÁLNÍ ODCHYLKY ÚHLŮ JEDNOTLIVÝCH HRAN U A) RELATIVNĚ POMALÝCH A B) RELATIVNĚ RYCHLÝCH HS
TESTŮ. VÝSLEDNÁ HODNOTA URČENA JAKO MAXIMUM Z 30 X 3 TESTŮ. KAŽDÝ TEST BYL 3X OPAKOVÁN. ................. 52
OBRÁZEK 8.4: REÁLNÉ HODNOTY VÝSTUPU HS TESTU: A) VÝSTUP HS TESTU PACIENTA, B) MAXIMÁLNÍ ROZDÍLY ÚHLŮ
JEDNOTLIVÝCH HRAN. .............................................................................................................................. 52
OBRÁZEK 8.5: PŘÍKLADY TŘÍ CELKEM BĚŽNÝCH HS OBRAZCŮ PACIENTŮ PŘI VYŠETŘENÍ POMOCÍ HS PLÁTNA. ..................... 53
OBRÁZEK 8.6: ZADÁNÍ HS TESTU A) STIMULAČNÍ BODY A B) Z NICH VYTVOŘENÝ ORIGINÁLNÍ HS OBRAZEC. ....................... 53
vii
OBRÁZEK 8.7: PŘÍKLADY HS VÝSTUPŮ VYŠETŘENÍ POMOCÍ HS TESTU: A) ZDRAVÝ ČLOVĚK, B) POUHÉ POSUNUTÍ HS OBRAZCE,
C) POSUNUTÍ A POTOČENÍ HS OBRAZCE....................................................................................................... 54
OBRÁZEK 8.8: OBRAZCE LEVÉHO A PRAVÉHO OKA A) STEJNÉ - ZDRAVÝ JEDINEC, B) C) PORUCHY NERVOVÉHO PŮVODU. ....... 56
OBRÁZEK 8.9: NĚKTERÉ PŘÍKLADY BĚŽNÝCH PORUCH OKOHYBNÝCH SVALŮ. ................................................................ 56
OBRÁZEK 8.10: HS TEST: A) POÚRAZOVÁ OBRNA N. III. DX SE ZBLOUDILO INERVACÍ, B) RETRAKČNÍ SYNDROM DUANE II
VPRAVO................................................................................................................................................ 56
OBRÁZEK 8.11: NĚKTERÉ NEOBVYKLÉ TVARY A ZEJMÉNA UMÍSTĚNÍ HS OBRAZCŮ. ....................................................... 57
OBRÁZEK 8.12: PŘÍKLADY PODOBNOSTI HS OBRAZCŮ B) MALÁ PORUCHA, B) ZDRAVÍ JEDINEC, C) VELKÉ PORUCHA. JEDNÁ SE O
UMĚLE VYTVOŘENÉ A DEMONSTRAČNÍ HS OBRAZCE. ..................................................................................... 57
OBRÁZEK 8.13: ZNAČNÁ PODOBNOST DVOU HS OBRAZCŮ A) A B) LIŠÍCÍCH SE NEPATRNĚ POLOHOU A ROZMĚRY................ 61
OBRÁZEK 8.14: ZNAČNÁ PODOBNOST DVOU HS OBRAZCŮ A) A B) LIŠÍCÍCH SE ZEJMÉNA ROZMĚRY. ................................. 61
OBRÁZEK 8.15: PONĚKUD ODLIŠNÉ OBRAZCE A), B) A C), ALE PŘESTO PODOBNÉ TVAREM I CELKOVOU DIAGNÓZOU. ........... 61
OBRÁZEK 8.16: TVORBA HS OBRAZCE PRO DALŠÍ ZPRACOVÁNÍ: A) ZÁKLADNÍ STIMULAČNÍ BODY, B) UVAŽOVANÉ HRANY HS
OBRAZCE, C) HS OBRAZEC VE FORMĚ TABULKY. ............................................................................................ 62
OBRÁZEK 8.17: PŘÍKLADY SYMBOLICKÉHO VYJÁDŘENÍ JEDNOTLIVÝCH HRAN U DVOU REÁLNÝCH HS OBRAZCŮ. .................. 62
OBRÁZEK 9.1: POJMENOVÁNÍ JEDNOTLIVÝCH STIMULAČNÍCH BODŮ TVOŘÍCÍCH ORIGINÁLNÍ HS OBRAZEC. ........................ 68
OBRÁZEK 9.2: SOUVISLOST JEDNOTLIVÝCH STIMULAČNÍCH BODŮ A VYTVOŘENÝCH HRAN V HS OBRAZCI. .......................... 69
OBRÁZEK 9.3: HS OBRAZEC NA ÚROVNI POPISU A: A) REÁLNÝ VÝSTUP PACIENTA, B) REPREZENTACE NA ÚROVNI A............. 70
OBRÁZEK 9.4: PŘÍKLAD POPISU HS OBRAZCE NA ÚROVNI B: A) ČÍSELNÉ PŘÍZNAKY ÚROVNĚ B, B) ČÍSELNÉ PŘÍZNAKY ÚROVNĚ B
SE ZOBRAZENÝM REÁLNÝM HS OBRAZCEM PRO NÁZORNOST JEJICH SHODY. ........................................................ 73
OBRÁZEK 9.5: SYMBOLY PRO MOŽNÉ POPISY HRAN NA ÚROVNI C: A) PRIMITIVA PRO POPIS KONKRÉTNÍ HRANY, B) VŠECHNY
MOŽNOSTI PRIMITIV, C) KONKRÉTNÍ PŘÍKLADY POPISU HRANY HS OBRAZCE. ....................................................... 74
OBRÁZEK 9.6: POPIS HS OBRAZCE NA ÚROVNI C: A) POMOCÍ SYMBOLŮ ÚROVNĚ C B) ÚROVEŇ C S PŘÍKLADEM REÁLNÉHO HS
OBRAZCE NA POZADÍ. .............................................................................................................................. 76
OBRÁZEK 9.7: MAXIMÁLNÍ ODCHYLKY V DÉLCE HRANY PŘI POMALÉM HS TESTU PŘI STANOVENÍ TOLERANCE PRO DETEKCI
ZKRÁCENÍ / PROTAŽENÍ HRANY. VÝSLEDEK 30 TESTŮ POPSANÝCH V KAPITOLE 8.2. .............................................. 76
OBRÁZEK 9.8: CELKOVÝ PŘEHLED STRUKTURY POPISU HS OBRAZCE NA ÚROVNI C. HORNÍ ČÁST REPREZENTUJE KVALITATIVNÍ /
SYMBOLICKÝ POPIS A DOLNÍ ČÁST PŘÍDAVNÉ KVANTITATIVNÍ / ČÍSELNÉ PŘÍZNAKY. ................................................ 78
OBRÁZEK 9.9: PŘÍKLADY NĚKTERÝCH PŘEDEFINOVANÝCH HS OBRAZCŮ NA ÚROVNI D. ................................................. 78
OBRÁZEK 10.1 PŘÍKLADY VÝSTUPU APLIKACE VYUŽÍVAJÍCÍ PRAVIDLOVÝ SYSTÉM. VŽDY JE ZOBRAZEN TESTOVANÝ HS OBRAZCE A
ODPOVÍDAJÍCÍ VÝSTUPY PRAVIDLOVÉHO SYSTÉMU, TEDY POUZE VÝSTUPY ÚSPĚŠNĚ APLIKOVANÝCH PRAVIDEL. ........... 85
OBRÁZEK 10.2: PRINCIP PŘEUSPOŘÁDÁNÍ PŘÍKLADŮ V JEDNOTLIVÝCH SEZNAMECH OBSAHUJÍCÍCH NEJPODOBNĚJŠÍ NALEZENÉ
PŘÍKLADY. V LEVÉ ČÁSTI JSOU PRVOTNĚ VYTVOŘENÉ SEZNAMY NALEZENÝCH PŘÍKLADŮ A U KAŽDÉHO VYPOČTENO JEHO
HODNOCENÍ PODLE VÝSKYTU V DALŠÍCH SEZNAMECH (V ZÁVORCE). V PRAVÉ ČÁSTI JIŽ PŘESUNUTÉ POLOŽKY PODLE JEJICH
DŘÍVĚJŠÍHO HODNOCENÍ. ......................................................................................................................... 89
OBRÁZEK 10.3: HS OBRAZCE OD DVOU RŮZNÝCH PACIENTŮ S V PODSTATĚ SHODNOU DIAGNÓZOU. ................................ 91
OBRÁZEK 10.4: PŘÍKLADY VÝSTUPŮ APLIKACE PRO PODPORU NÁVRHU DIAGNÓZY VYUŽÍVAJÍCÍ PŘÍKLADŮ. V PRAVÉ ČÁSTI
DIALOGY SE SEZNAMY PŘÍKLADŮ NALEZENÝCH POMOCÍ NEJLEPŠÍ PODOBNOSTI TVAREM, POSUNEM A POOTOČENÍM.
V LEVÉ ČÁSTI ZOBRAZENÍ LIBOVOLNÉHO PŘÍKLADU Z UVEDENÝCH SEZNAMŮ. ZELENOU BARVOU JE ZOBRAZEN TESTOVANÝ
PŘÍPAD A MODROU BARVOU OZNAČENÝ PŘÍKLAD Z NĚKTERÉHO Z NALEZENÝCH SEZNAMŮ. PŘI POSUZOVÁNÍ ÚSPĚŠNOSTI
NÁVRHU SI JE TŘEBA UVĚDOMIT, ŽE ÚSPĚŠNOST JE HODNOCENA ZE VŠECH DESETI NEJLEPŠÍCH NALEZENÝCH PŘÍKLADŮ
V JEDNOTLIVÝCH SEZNAMECH NIKOLI POUZE Z AKTUÁLNĚ ZOBRAZENÉHO. .......................................................... 96
OBRÁZEK 11.1: ÚSPĚŠNOST NÁVRHU DIAGNÓZY PŘI POUŽITÍ POUZE JEDNOHO (ČERVENÁ), DVOU (ZELENÁ) NEBO TŘÍ (MODRÁ)
NEJČASTĚJŠÍCH DIAGNOSTICKÝCH KÓDŮ PŘI VYUŽITÍ A) 1/3, B) 1/4 A C) 1/5 VSTUPNÍHO SOUBORU JAKO TESTOVACÍ
DATA PŘI TESTU A. TEST BYL 200X OPAKOVÁN. .......................................................................................... 101
OBRÁZEK 11.2: ÚSPĚŠNOST NÁVRHU DIAGNÓZY PŘI POUŽITÍ A) 1/3, B) 1/4 A C) 1/5 VSTUPNÍHO SOUBORU JAKO TESTOVACÍ
DATA PŘI TESTU B. VYUŽITÍ POUZE PŘÍKLADŮ NALEZENÝCH POMOCÍ PŘÍMÉ PODOBNOSTI TVAREM (MODRÁ), PŘÍMÉ A
viii
SOUČASNĚ NEPŘÍMÉ PODOBNOSTI TVAREM (ZELENÁ) A VŠECH NALEZENÝCH PŘÍKLADŮ (ČERVENÁ). VŽDY JE VYUŽITO
MAXIMÁLNĚ 10 NEJLEPŠÍCH NALEZENÝCH PŘÍKLADŮ. TEST BYL 200X OPAKOVÁN. ............................................. 103
OBRÁZEK 11.3: ZÁVISLOST ÚSPĚŠNOSTI NÁVRHU DIAGNÓZY NA ROZDĚLENÍ VSTUPNÍ MNOŽINY NA TRÉNOVACÍ A TESTOVACÍ
ČÁST. OSA X UDÁVÁ POMĚR V % POUŽITÍ VSTUPNHO SOUBORU JAKO TESTOVACÍ DATA. VYUŽITÍ POUZE PŘÍKLADŮ
NALEZENÝCH POMOCÍ PŘÍMÉ PODOBNOSTI TVAREM (ČERVENÁ), PŘÍMÉ A SOUČASNĚ NEPŘÍMÉ PODOBNOSTI TVAREM
(ZELENÁ) A VŠECH NALEZENÝCH PŘÍKLADŮ (MODRÁ). VŽDY JE VYUŽITO MAXIMÁLNĚ 10 NEJLEPŠÍCH NALEZENÝCH
PŘÍKLADŮ. .......................................................................................................................................... 104
OBRÁZEK 11.4: ÚSPĚŠNOST NÁVRHU DIAGNÓZY PŘI VYUŽITÍ POUZE JEDINÉHO NEJLEPŠÍHO NALEZENÉHO PŘÍKLADU (Z KAŽDÉHO
VÝSLEDNÉHO SEZNAMU NALEZENÝCH PŘÍKLADŮ): POUZE JEDINÉHO PŘÍKLADU NALEZENÉHO POMOCÍ PŘÍMÉ PODOBNOSTI
TVAREM (MODRÁ), JEDNOHO PODLE PŘÍMÉ A SOUČASNĚ JEDNOHO PODLE NEPŘÍMÉ PODOBNOSTI TVAREM (ZELENÁ) A
JEDNOHO Z KAŽDÉHO SEZNAMU NALEZENÝCH PŘÍKLADŮ (ČERVENÁ). VYUŽITO 1/3 VSTUPNÍCH DAT JAKO TESTOVACÍ
MNOŽINY. ........................................................................................................................................... 105
OBRÁZEK 11.5: ÚSPĚŠNOST NÁVRHU DIAGNÓZY PODLE HODNOCENÍ NEJEN PŘÍTOMNOSTI, ALE SOUČASNĚ I POZIC HLEDANÝCH
DIAGNÓZ VE VÝSLEDNÉM SEZNAMU DIAGNÓZ VYTVOŘENÉHO NA ZÁKLADĚ SEZNAMU NEJPODOBNĚJŠÍCH NALEZENÝCH
PŘÍKLADŮ PODLE TESTU E. VYUŽITO 1/3 VSTUPNÍCH DAT JAKO TESTOVACÍ MNOŽINY. TEST BYL 200X OPAKOVÁN.... 106
OBRÁZEK 11.6: POMĚR ČETNOSTÍ VÝSKYTU DIAGNÓZY MEZI NEJPODOBNĚJŠÍMI NALEZENÝMI PŘÍKLADY A VŠEMI PŘÍKLADY V
TRÉNOVACÍ MNOŽINĚ PODLE TESTU F. VYUŽITO 1/3 VSTUPNÍCH DAT JAKO TESTOVACÍ MNOŽINY. TEST BYL 200X
OPAKOVÁN. ........................................................................................................................................ 106
OBRÁZEK 11.7: ZÁVISLOST ÚSPĚŠNOSTI NÁVRHU DIAGNÓZY NA POČTU VYUŽITÝCH NEJLEPŠÍCH NALEZENÝCH PŘÍKLADŮ A)
JEDEN, B) DVA, C) PĚT PODLE TESTU G. JAKO TRÉNOVACÍ DATA BYLA VYUŽITA 1/3 VSTUPNÍCH DAT. ...................... 107
OBRÁZEK 11.8 HODNOCENÍ ÚSPĚŠNOSTI V ZÁVISLOSTI NA POČTU UVAŽOVANÝCH NEJPODOBNĚJŠÍCH NALEZENÝCH PŘÍKLADŮ A)
POUZE PRAVIDLA, B) POUZE PŘÍKLADY, C) PRAVIDLA A PŘÍKLADY SOUČASNĚ. POČET UVAŽOVANÝCH NEJPODOBNĚJŠÍCH
NALEZENÝCH PŘÍKLADŮ JE NA OSE X. ........................................................................................................ 114
OBRÁZEK 12.1: DVĚ ZPĚTNOVAZEBNÍ SMYČKY OBSAŽENÉ V SOUČASNÉM PROCESU REHABILITACE. LÉKAŘ STANOVUJÍCÍ
DIAGNÓZU (VLEVO) A LÉKAŘ VYKONÁVAJÍCÍ REHABILITACI (VPRAVO). .............................................................. 122
OBRÁZEK 12.2: TŘI ZPĚTNOVAZEBNÍ SMYČKY V REHABILITAČNÍM PROCESU V NOVÉM NÁVRHU ŘEŠENÍ. LÉKAŘ STANOVUJÍCÍ
DIAGNÓZU (VLEVO) A LÉKAŘ VYKONÁVAJÍCÍ REHABILITACI V ORDINACI (UPROSTŘED) A ADAPTIVNÍ ÚLOHA PRO
SAMOSTATNOU DOMÁCÍ REHABILITACI (VPRAVO)........................................................................................ 124
OBRÁZEK 12.3: ZÁVISLOST MNOŽSTVÍ ZPRACOVÁVANÝCH DAT NA JEJICH ÚROVNI A ČASE ZPRACOVÁNÍ PŘI ČASOVĚ
DLOUHODOBÉM HODNOCENÍ VÝVOJE REHABILITAČNÍHO PROCESU. ................................................................. 125
OBRÁZEK 12.4: PŘÍKLAD VÝSTUP ROZBORU OBSAŽENÉHO V ELEKTRONICKÉM FORMULÁŘI PŘI STANOVENÍ ODPOVÍDAJÍCÍ
DIAGNÓZY. .......................................................................................................................................... 125
OBRÁZEK 12.5: ROZDĚLENÍ ZÁVAŽNOSTI PORUCHY NA DÍLČÍ INTERVALY PRO VYUŽITÍ PŘI STANOVENÍ PODMÍNĚNÉ ZÁVISLOSTI
PŘI LÉČBĚ NĚKTERÝCH PORUCH. ............................................................................................................... 127
OBRÁZEK 12.6: PŘÍKLADY KLASIFIKACE TESTOVACÍCH OBRÁZKŮ (P – PRIMITIVA, O – OBRAZCE). BAREVNÉ ROZLIŠENÍ UVEDENO
POUZE PRO NÁZORNOST, VE SKUTEČNOSTI JE KRESBA POUZE ČERNOU BARVOU. ................................................ 130
OBRÁZEK 12.7: PŘEVOD ROZSAHU HODNOCENÍ ÚLOHY NA INTERVALY MAJÍCÍ VÝZNAM PRO ZMĚNU JEJÍHO NASTAVENÍ ZA
ÚČELEM VYTVOŘENÍ ÚČELNÉ ADAPTACE ÚLOHY........................................................................................... 131
OBRÁZEK 12.8: PRINCIP VHODNÉHO TRÉNINKU ZAPOJUJÍCÍHO VŠECHNY OKOHYBNÉ SVALY SOUČASNĚ. .......................... 131
OBRÁZEK 12.9: PRINCIP ADAPTIVNÍHO TRENAŽÉRU OKOHYBNÝCH SVALŮ PRO OMEZENÍ POHYBU OKA VLEVO. PACIENT
SIGNALIZUJE NEMOŽNOST DOSAŽENÉ LEVÉ KRAJNÍ POZICE A TRENAŽÉR V TOMTO SMĚRU SNÍŽÍ VÝCHYLKU STIMULAČNÍHO
BODU. ABY JI POZDĚJI OPĚT ZVYŠOVAL PRO DOSAŽENÍ PŮVODNÍ TRASY. ........................................................... 132
OBRÁZEK 12.10: PRINCIP HODNOCENÍ DOMÁCÍ REHABILITACE PO TÝDENNÍCH ČASOVÝCH INTERVALECH. Z REÁLNÝCH
HODNOCENÍ ÚLOH (ČERVENÉ BODY) JSOU VYTVOŘENY TÝDENNÍ PRŮMĚRY (FIALOVÉ ÚSEČKY) A TY PROLOŽENY PRO
ZOBRAZENÍ VÝVOJE REHABILITACE (ZELENÉ ŠIPKY)........................................................................................ 137
OBRÁZEK 12.11: SOUHRNNÉ HODNOCENÍ JEDNOTLIVÝCH PORUCH. OD ZÁVAŽNÉHO HODNOCENÍ PORUCHY (TLUSTÁ ČÁRA),
PŘES JEJÍ ZLEPŠENÍ (PLNÁ ZTENČUJÍCÍ SE ČÁRA) AŽ PO DOSAŽENÍ USPOKOJIVÉHO STAVU (PŘERUŠOVANÁ ČÁRA). ....... 137
ix
OBRÁZEK 12.12: PRINCIP NÁVRHU REHABILITAČNÍHO PROCESU. NEJPRVE JE NUTNO STANOVIT DIAGNÓZU, POTÉ SYSTÉM PRO
NÁVRH REHABILITAČNÍHO PROCESU NAVRHNE POSTUP A TEN JE APLIKOVÁN NA PACIENTA. .................................. 139
OBRÁZEK 12.13: PŘÍKLADY HODNOCENÍ NĚKTERÝCH REHABILITAČNÍCH ÚLOH VYUŽÍVANÝCH PŘEVÁŽNĚ V ORDINACI LÉKAŘE
(NAPŘÍKLAD OSTROST VIDĚNÍ, VYŠETŘENÍ NA HS PLÁTNĚ ATD.). ..................................................................... 140
OBRÁZEK 12.14: PŘÍKLADY WEBOVÝCH APLIKACÍ (BLUDIŠTĚ, OBKRESLOVÁNÍ, DOPLŇOVÁNÍ OBRÁZKŮ, FIXACE, TRENAŽÉR
OKOHYBNÝCH SVALŮ) URČENÝCH ZEJMÉNA PRO SAMOSTATNOU DOMÁCÍ ADAPTIVNÍ REHABILITACI. ...................... 141
OBRÁZEK 12.15: PŘÍKLADY HODNOCENÍ NĚKOLIKA DOMÁCÍCH REHABILITAČNÍCH ÚLOH.............................................. 141
OBRÁZEK 12.16: STRUKTURA ODESÍLANÝCH INFORMACÍ Z ÚLOH DOMÁCÍ REHABILITACE. OBSAHUJE IDENTIFIKACI PACIENTA,
IDENTIFIKACI LÉKAŘE A LÉKAŘSKÉHO ZAŘÍZENÍ, TYP ÚLOHY, AKTUÁLNÍ NASTAVENÍ PARAMETRŮ ÚLOHY A PŘÍPADNĚ DALŠÍ
INFORMACE PODLE KONKRÉTNÍ ÚLOHY. ..................................................................................................... 141
OBRÁZEK 12.17: HS OBRAZCE DVOU RŮZNÝCH PACIENTŮ ZA OBDOBÍ A) 3 MĚSÍCŮ (NAHOŘE), B) 6 MĚSÍCŮ (DOLE). STARŠÍ
ZÁZNAMY JSOU ZOBRAZENY TENKOU A ŠEDOU ČAROU NA POZADÍ. NOVĚJŠÍ ZÁZNAMY JSOU NAOPAK ZOBRAZENY ŠIRŠÍ A
TMAVOU ČAROU V POPŘEDÍ. JE ZŘEJMÝ VELKÝ ROZDÍL V ROZSAHU / TVARU ŠEDÉHO OBRAZCE NA POZADÍ OPROTI
ČERNÉMU OBRAZCI V POPŘEDÍ. ............................................................................................................... 142
OBRÁZEK 12.18: OBJEKTIVNÍ HODNOCENÍ PRŮBĚHU REHABILITACE DVOU ROZDÍLNÝCH PACIENTŮ POMOCÍ PARAMETRŮ
DETEKOVANÝCH Z VYŠETŘENÍ NA HS PLÁTNĚ PODLE KAPITOLY 12.5.1............................................................. 143
OBRÁZEK 12.19: VÝSLEDKY HODNOCENÍ PRŮBĚHU REHABILITACE OD REÁLNÉHO PACIENTA ZA ZHRUBA JEDEN MĚSÍC DOMÁCÍ
REHABILITACE. JDE O VELMI MALÉ ČASOVÉ OBDOBÍ PRO ZACHYCENÍ ZŘETELNÉHO ZLEPŠENÍ NĚKTERÉ PORUCHY / ULOHY.
........................................................................................................................................................ 143
OBRÁZEK 12.20: ROZDĚLENÍ PŘEDEŠLÉHO GRAFU PRO NÁZORNOST NA A) ČASOVOU ČÁST OBSAHUJÍCÍ HODINY A DNY V TÝDNU
A B) HODNOCENÍ ÚLOHY V DANÉM OKAMŽIKU. ........................................................................................... 144
OBRÁZEK 12.21: ZNÁZORNĚNÍ PRINCIPU HODNOCENÍ DLOUHODOBÉHO VÝVOJE ÚLOHY NA REÁLNÉM VÝSTUPU PŘI SLEDOVÁNÍ
PROCESU DOMÁCÍ REHABILITACE PACIENTA................................................................................................ 144
OBRÁZEK 16.1: PŘÍKLAD DVOU PRACOVIŠŤ VYUŽÍVAJÍCÍCH ZDE POPISOVANÉ NOVÉ SW DIAGNOSTICKÉ A REHABILITAČNÍ
NÁSTROJE, FN NEMOCNICE V MOTOLE (NAHOŘE) A POLIKLINIKA BARRANDOV (DOLE) ....................................... 157
OBRÁZEK 16.2: KLASICKÉ, DOSUD STÁLE VYUŽÍVANÉ, LÉKAŘSKÉ DIAGNOSTICKÉ PŘÍSTROJE .......................................... 157
x
Seznam tabulek
TABULKA 6.1: PŘÍKLADY NEJČASTĚJI VYUŽÍVANĚJŠÍCH DIAGNOSTICKÝCH NÁSTROJŮ A POMŮCEK VHODNÝCH PRO PŘEVOD NA
SW PROGRAMY. JEJICH NÁZEV A STRUČNÝ POPIS. ......................................................................................... 23
TABULKA 6.2: VÝSLEDKY ČASOVÉ NÁROČNOSTI PŮVODNÍHO A SW TESTU U VYBRANÉ SKUPINY PACIENTŮ. JAKO 100% JE
UVAŽOVÁN ČAS PŮVODNÍHO TYPU TESTU. ................................................................................................... 25
TABULKA 10.1: DEFINICE VZDÁLENOSTÍ JEDNOTLIVÝCH SYMBOLŮ POPISUJÍCÍCH HRANY. PRVNÍ ČÍSLICE UDÁVÁ VZDÁLENOST
DVOU SYMBOLŮ DANOU SOUČTEM POČTU ZMĚN PŘI ZMĚN DÉLKY NEBO SMĚRU V PRŮBĚHU TRANSFORMACI JEDNOHO
SYMBOLU NA DRUHÝ. DRUHÁ ČÍSLICE UDÁVÁ PŘÍDAVNOU PENALIZACI PŘI ZMĚNĚ POUZE DÉLKY BĚHEM TRANSFORMACE
JEDNOHO SYMBOLU NA DRUHÝ. ................................................................................................................ 91
TABULKA 10.2: VZDÁLENOSTI JEDNOTLIVÝCH HRAN V HS OBRAZCI. VZDÁLENOST ODPOVÍDÁ NEJKRATŠÍ CESTĚ OD JEDNÉ
HRANY KE DRUHÉ V HS OBRAZCI. CESTA JE DEFINOVÁNA JAKO POČET PŘECHODŮ OD JEDNÉ HRANY PRO DOSAŽENÍ
DRUHÉ HRANY. ...................................................................................................................................... 92
TABULKA 11.1: CELKOVÝ PRŮMĚR A ROZPTYL PODLE TESTU TYPU A PŘI VYUŽITÍ 1/3, 1/4 A 1/5 VSTUPNÍHO SOUBORU JAKO
TESTOVACÍ DATA. ................................................................................................................................. 102
TABULKA 11.2: CELKOVÝ PRŮMĚR A ROZPTYL PODLE TESTU TYPU B PŘI VYUŽITÍ 1/3, 1/4 A 1/5 VSTUPNÍHO SOUBORU JAKO
TESTOVACÍ DATA. ................................................................................................................................. 103
TABULKA 11.3: PRŮMĚRNÉ HODNOTY ÚSPĚŠNOSTI A ROZPTYL PŘI NÁVRHU DIAGNÓZY POMOCÍ TESTU E........................ 106
TABULKA 11.4: PRŮMĚRNÉ ÚSPĚŠNOSTI A ROZPTYLY PŘI VYUŽITÍ JEDNOHO, DVOU A PĚTI NEJLEPŠÍCH NALEZENÝCH PŘÍKLADŮ
PODLE TESTU G. ................................................................................................................................... 107
TABULKA 11.5: HODNOCENÍ ÚSPĚŠNOSTI PŘÍKLADOVÉ ČÁSTI, PRAVIDLOVÉ ČÁSTI A OBOU V SOUČASNOSTI PRO 10, 5, 3, 2 A
POUZE 1 NEJPODOBNĚJŠÍ NALEZENÝ PŘÍKLAD (V PŘÍKLADOVÉ ČÁSTI). .............................................................. 113
TABULKA 12.1: VZÁJEMNÉ ZÁVISLOSTI A PREFERENCE POSLOUPNOSTÍ LÉČBY JEDNOTLIVÝCH PORUCH PŘI JEJICH LÉČBĚ U
PACIENTA. .......................................................................................................................................... 126
TABULKA 12.2: PŘÍKLAD SKUTEČNÉ ZÁVISLOSTI NĚKTERÝCH PORUCH PŘI JEJICH LÉČBĚ A PŘÍPADNĚ DALŠÍCH DOPROVODNÝCH
INFORMACÍ. ........................................................................................................................................ 128
TABULKA 12.3: PŘÍKLAD TABULKY POPISUJÍCÍ OVLIVŇOVÁNÍ NĚKTERÝCH PORUCH DANOU ÚLOHOU A PŘÍPADNĚ DALŠÍ
ZÁVISLOSTI. ......................................................................................................................................... 129
TABULKA 12.4: PŘÍKLAD KLASIFIKACE NĚKTERÝCH ČASTO VYUŽÍVANÝCH ÚLOH V REHABILITAČNÍM PROCESU PODLE VHODNOSTI
NA TYPY PORUCH. UDÁVÁ SE, JAKOU MÍROU DANÁ ÚLOHA V PROCESU REHABILITACE PŘISPÍVÁ K LÉČBĚ DANÉ PORUCHY.
........................................................................................................................................................ 139
xi
1 Úvod
1.1 Seznámení s problematikou
V současné době se v populaci odhaduje kolem 25% lidí trpících nějakou formou poruchy
správného vidění. Z toho zhruba 16% představují poruchy spadající do odvětví strabismu neboli
šilhavosti, které odpovídají převážně nesprávnému souběhu obou očí v různých pohledových
směrech. Toto číslo se bohužel každým rokem pomalu zvyšuje. Uvedené poruchy jsou dány
zejména vývojem člověka od jeho narození nebo dědičností, ale jsou stále častější případy, kdy
k nim dochází vlivem různých úrazů a v poslední době rovněž v důsledku psychických a jiných
nervových problémů a to zejména stresů.
Poruchy správného vidění je nutno včas odhalit, aby nevedly ke vzniku druhotných problémů.
Často se totiž stává, že lidský mozek při zpracování získaných dat modifikovaných poruchou
využívá své schopnosti adaptace a snaží se tyto rušivé vlivy eliminovat. Pokud se například
člověku při úrazu poškodí jedno oko způsobem, který lze celkem snadno napravit rehabilitací
nebo operací a k této nápravě nedojde dostatečně včas, tak mozek toto oko postupně přestává
používat. To znamená, že potlačí jeho činnost a tím i výstup do mozku pro další zpracování.
Takto dojde k vážnému druhotnému poškození oka v důsledku jeho nepoužívání – postupně se
tak u tohoto člověka vyvine například tupozrakost, což je ztráta ostrosti vidění. Mozek si zvykne
používat pouze jedno zdravé oko a tento stav se již může velmi těžko napravovat.
V dalších případech jde zejména o správnou a objektivní diagnózu vzniklé poruchy vidění.
Nedostatečné objektivní hodnocení, z toho plynoucí nesprávná diagnóza a rovněž i nevhodně
navržený léčebný postup mohou pacientu naopak ještě více ublížit. Rehabilitace je v podstatě
založena nejen pouze na používání, ale zejména na vhodném trénování postiženého oka, jeho
okohybných svalů či jiných částí nezbytných pro zajištění správného vidění. Avšak volbu
aplikovaného postupu je třeba provádět velmi obezřetně, neboť nesprávná volba cvičení může
způsobit těžké, nebo dokonce nevratné změny.
Přístroje využívané pro vyšetření poruch správného vidění jsou však většinou finančně velmi
nákladné neboť jde převážně o velmi sofistikované mechanické a optické přístroje vyráběné pro
omezený počet uživatelů a tudíž nedostupné pro mnoho „běžných“ pracovišť. Pacienti jsou
proto často posíláni na jiná „specializovaná“ a někdy i vzdálená pracoviště, jež disponují
potřebnými přístroji pro vyšetření. Případně je vyšetření vykonáno pouze s pomocí „základní“
dostupné techniky konkrétního pracoviště.
Výstup mnoha vyšetřovacích postupů je stále založen zejména na zkušenostech lékaře a jeho
subjektivním usuzování ze slov nebo chování pacienta. Nejen že jsou do takto získaných
výsledků vnášeny možné subjektivní chyby lékaře, ale zejména stejný případ, tedy pacient,
může být různými lékaři hodnocen poněkud odlišně.
Rozvoj výpočetní techniky nabízí možnost realizovat řadu existujících složitých mechanických
diagnostických přístrojů formou relativně jednoduchých počítačových programů a tím snížit
jejich cenu a samozřejmě zvýšit dostupnost. Využití výpočetní techniky nepřinese pouze
zkvalitnění, zpřesnění výstupu daného testu a zrychlení průběhu vyšetření, ale zejména nabízí
možnost uchovávat naměřená data v elektronické formě a tím umožnit jejich využití pro další
možnou analýzu. K nesporným výhodám patří objektivizace výsledků a získání dalších nových
informací o stavu pacienta, které nelze pomocí stávajících přístrojů obdržet. Lze tedy o pacientu
1
pořídit komplexnější soubor informací a to i z různých typů vyšetření současně. Získáním
většího množství informací bude možno určit diagnózu přesněji a tím se vyvarovat možných
chyb nebo dokonce omylů, které nelze v případě lékaře, jako člověka, nikdy zcela vyloučit.
Výsledek použitého testu již nebude závislý pouze na zkušenostech a úsudcích lékaře, ale půjde
o exaktní výstup obsahující opakovatelný výsledek odpovídající aktuálnímu stavu pacienta.
Takto získané údaje lze později porovnávat a hodnotit nezávisle na konkrétním pracovišti a
lékaři.
Objektivní výstup testů rovněž zajistí možnost „jednoznačného“ hodnocení průběhu
rehabilitace za určité časové období. Objektivní výsledky lze dále snadno matematicky
zpracovat a tím vytvořit systém, jenž bude lékaři vhodně nápomocen, aniž by se jej snažil
nahradit. Lékař již nebude odkázán pouze na své znalosti a zkušenosti, ale bude mít možnost
svůj úsudek konzultovat se závěrem navrženým počítačovým systémem. Ten jej případně
upozorní na některé detaily, kterých by si sám možná ani nevšiml, či na podobnosti se staršími
již řešenými případy. Lékař si nemůže pamatovat všechny již řešené případy, a proto při
stanovení komplikované diagnózy využívá většinou pouze ty nejnovější nebo nejzávažnější.
Počítačový systém je však schopen evidovat velké množství již řešených případů a může
v jakémkoli okamžiku poskytnout nápovědu, jak a s jakou úspěšností byl obdobný případ řešen,
případně také vyřešen. Tyto informace mohou být pro lékaře velmi přínosné, neboť v oboru
rehabilitace strabismu nelze příliš experimentovat.
Počítačové řešení nejen diagnostických, ale i rehabilitačních úloh dále přináší novou důležitou
vlastnost, kterou je ukládání skutečně všech informací z celého průběhu úlohy, nejen těch
v současnosti využitelných. Takto lze například kdykoli z uložených výsledků vytvořit přehled ve
formě grafu, který je zejména pro lékaře, ale i pro pacienta mnohem lépe vypovídající než čísla
zaznamenaná na několika různých místech ve formulářích. Neocenitelnou výhodou
počítačového řešení testů a vhodného uložení z nich získaných informací je možnost jejich
pozdějšího využití pro hromadné zpracování a zejména výzkumné účely.
2
2 Hlavní cíle práce
-
-
-
-
-
-
Zhodnocení a analýza nejčastěji se vyskytujících nepřesností v klasickém
diagnostickém procesu, ve kterém podstatnou roli hraje subjektivní vjem pacienta a
subjektivní hodnocení lékaře.
Výběr testů a mechanických přístrojů určených pro standardní vyšetření poruch
správného vidění, které lze vhodně nahradit pomocí takového SW řešení, které zajistí
objektivizaci výstupu.
Vytvoření a ověření dalších nových charakteristik, jež současné testy neposkytují, ale
které mohou znatelně přispět k celkovému zkvalitnění diagnózy.
Návrh architektury a vytvoření vhodného datové úložiště pro záznam dat a informací
z různých typů SW realizovaných testů s ohledem na vnitřní obsahovou strukturu dat.
Pilotní testování navrženého systému a následná analýza získaných experimentálních
výsledků s cílem ověřit význam nově navržených charakteristik z hlediska přínosu pro
diagnostiku.
Návrh, vytvoření a testování znalostního systému pro podporu rozhodování lékaře
při stanovování diagnózy poruch okohybného aparátu člověka, který bude
interpretovat výsledky získané z výše uvedeného systému pro diagnostiku oka a
současně využívat databázi registrovaných příkladů.
Využití navržených znalostních diagnostických nástrojů pro objektivizaci hodnocení
průběhu rehabilitačních úloh za účelem nejen kontroly, ale rovněž sledování vývoje
léčby pacienta.
Návrh a pilotní testování rehabilitačních pomůcek a nástrojů využitelných i
v domácím prostředí, jež by se adaptovaly podle vývoje léčby pacienta a tím ji
vytvářely stále efektivní.
3
3 Současný stav
V této kapitole je stručně popsán současný stav, tak jak byl zachycen na několika
oftalmologických pracovištích. Jde o pracoviště zabývající se vyšetřením a rehabilitací pacientů
trpících některými formami strabismu.
Přístrojové vybavení. I přes neustálý rozvoj lékařského oboru strabismu (neboli šilhavosti) jsou
v současné době ve velké míře stále využívány starší přístroje a subjektivní techniky nejen pro
diagnostiku jednotlivých poruch, ale rovněž k vlastní léčbě neboli rehabilitaci. Největší
překážkou je samozřejmě vysoká cena nových přístrojů a pomůcek, které si ordinace nemohou
dovolit. Snížení ceny těchto přístrojů však nelze v dohledné době očekávat, spíše naopak,
jelikož se jedná o velmi přesná a jednoúčelová zařízení určená pro omezený počet uživatelů.
Další problém spočívá v prostorové náročnosti těchto přístrojů, nejen původních, ale i těch
nových. Každý přístroj nebo pomůcka je většinou vytvořena jako zcela samostatná jednotka.
Vyráběny různými firmami nebo společnostmi. Do prostorově omezené ordinace lékaře nelze
umístit velké množství těchto přístrojů. Další důvod malého rozšíření nových pomůcek a
přístrojů spočívá nejen v jejich „složité konstrukci“, ale zejména v jejich „odlišném ovládání“.
V současné době prakticky nejsou dostupné levné přístroje a pomůcky pro diagnostiku a
rehabilitaci strabismu. Na jedné straně lze „pokoutně zakoupit“ starší již v podstatě vyřazené
přístroje, případně jejich novější „čínské nebo indické“ napodobeniny za cenu v řádu tisíců. Na
druhou stranu lze „celkem snadno pořídit“ moderní přístroje, jejichž cena je však od stovek
tisíců do jednotek milionů. Jsou případy, kdy se i sami pacienti „podivují“ jaké vybavení je
využíváno v lékařských ordinacích. Vlivem nedostatku, přesněji však řečeno nedostupnosti,
přístrojů jsou pacienti přeposíláni i na velké vzdálenosti v rámci naší republiky.
Samozřejmě existují nové a moderní mechanické přístroje, ale ty jsou však dostupné pouze pro
velká zdravotnická zařízení. I přes jejich velmi moderní řešení však obsahují několik závažných
nevýhod a nedostatků jako jsou například:
-
-
Mezi největší patří jejich uzavřenost. Poskytují pouze jeden typ a způsob výstupu.
Existují však i levnější počítačové verze některých diagnostických testů jako například
Hessovo plátno a to převážně z akademického prostředí [4,5,6,7,8,9]. Ty však mají
následující hlavní nevýhody:
o Autor [3] již svoji práci před několika lety uzavřel, což není pro uživatele
příznivá informace do budoucna.
o Tyto SW přístroje jsou pouhými kopiemi původních přístrojů a neposkytují
žádné dodatečné informace, které by bylo možno pomocí výpočetní techniky
snadno získat.
o Jejich výstup je pevně daný. Lékař obdrží výstup ve formě čísla na obrazovce,
nebo vytištěný formulář v předem daném tvaru. Další informace jsou
nedostupné, i když je přístroj interně využívá.
Jsou i situace kdy velká lékařská zařízení pořídí nákladný a drahý přístroj od
renomované firmy, ale při jeho prvním použití zjistí, že výstup neodpovídá jejich
4
očekávání. Velká firma není ochotna pro jednoho zákazníka vykonat potřebné úpravy
a přístroj končí ve „skladě“.
Objektivnost vyšetření. Tato otázka je poněkud diskutabilní. Pokud by byly ordinace vybaveny
moderními přístroji, tak je samozřejmě objektivnost vyšetření celkem vysoká. Jelikož však
většina ordinací stále využívá starší přístroje, kde záleží převážně na zkušenostech a praxi
lékaře je objektivnost testu mnohem nižší nebo dokonce není vůbec zaručena. Často i sami
lékaři vykonávají příslušné testy poněkud odlišným způsobem. Výsledky mnoha testů jsou tedy
zatíženy subjektivními úsudky ze strany lékaře. Test se stává velmi těžko opakovatelným se
stejným výsledkem i v rámci jednoho pracoviště. Rovněž nelze snadno porovnávat výsledky
téhož testu za různá časová období.
Výsledky měření a testů. Existují nemocniční lékařské informační systémy, v nichž jsou uloženy
záznamy pacientů. Ty však obsahují ve většině případů pouze konečné diagnózy a v lepším
případě výsledky některých dílčích testů. Konečnou diagnózu určí lékař a do informačního
systému ji tedy vloží. Výsledky dílčích testů jsou do informačního systému již vkládány velmi
zřídka, neboť jsou výstupem předem neurčeného počtu testů a pro ně již nejsou v informačním
systému vhodné položky. Skutečně naměřené hodnoty z průběhu testů, již v informačním
systému nejsou přítomny vůbec.
Výstupy testů a úloh. Výstupem každého testu a v podstatě i přístroje je příslušný formulář
nebo grafické znázornění. Ve většině případů jde pouze o výsledný záznam, jenž zachycuje
okamžitý stav pacienta. Tyto záznamy například vůbec neobsahují informace, jak pacient
spolupracoval, jak si počínal, jak jistě a odhodlaně odpovídat nebo jak časově dlouho konkrétní
test trval. Výstup tedy zdaleka neobsahuje informace, jak jsou udané výsledky věrohodné ze
strany pacienta a jakou váhu jím má lékař přisuzovat při stanovení diagnózy.
Využití v domácí léčbě. V některých případech půjčují ordinace pacientům domů za poplatek
určité pomůcky. V podstatě jde vždy o mechanické přístroje. Existují zřejmě pouze zahraniční
SW programy, jež jsou částečně zaměřeny na domácí rehabilitaci strabismu. Ty jsou však
distribuovány zcela jinou stranou než lékaři. Všechny tyto SW pomůcky jsou bez jakékoli
zpětné vazby pro pacienta, natož pro lékaře. Pacient v podstatě řeší úlohu nebo hraje vhodně
upravenou hrou, ale nemá žádnou informaci a o tom zda se jeho rehabilitace ubírá správným
směrem. Zmíněné SW nástroje, tedy neobsahují žádný hodnotící aparát, který by dohlížel nad
průběhem léčby a případně signalizoval nežádoucí stavy, například znatelné dlouhodobé
zhoršení.
Zpracování výsledků. I přes velký rozvoj výpočetní techniky jsou „počítače“ v lékařství
v podstatě stále využívány pouze jako rychlejší a přesnější nástroje pro získání stejného typu
informací, jaké by byly získány pomocí původních přístrojů. Jsou tedy zcela degradovány na
dočasná záznamová zařízení s pořízením pevného typu výstupu nebo tisku výsledků.
Podpora rozhodování lékaře. Existující jak mechanické, tak i SW přístroje jsou zaměřeny pouze
na vyšetření, tj. podání výsledků z testů. Neobsahují žádnou inteligentnější podporu pro lékaře
při stanovování diagnózy. Lékař sice obdrží přesnější a podrobnější údaje neboli informace, ale
5
rozhodnutí při stanovení diagnózy je stále zcela na něm. V akademickém prostředí lze najít
snahy o vytvoření jisté podpory pro rozhodování lékaře při stanovování diagnózy. Ty jsou však
již několik let staré bez dalšího vývoje a jsou určeny pro velmi omezené typy případů. Na
druhou stranu se jedná a akademické výstupy, které nejsou uzpůsobeny pro praktické lékařské
ordinace zejména svým způsobem ovládání a další podporou.
6
4 Návrhy na řešení
Cena výpočetní techniky se již stává velmi přijatelnou a situace je stále příznivější. Velké
množství úloh a postupů lze celkem snadno převést na SW programy a tak získat spoustu
výhod jako jsou nejen rychlost a zpřesnění vlastního měření a testů, ale zejména přínos dalších
informací do jejich výstupu. Mimo původní informace lze v podstatě obdržet všechny veličiny,
které jsou v průběhu testu dostupné jako například čas, trasa myši, rychlost myši a mnoho
dalších podle typu konkrétního testu. Všechny tyto informace je možno uložit, i když nebudou
v současné době zcela využívány. S pomocí výpočetní techniky se otvírají možnosti pro
uskutečnění i složitých výpočtů přímo na pracovišti lékaře.
Výpočetní technika není specializovaná a pomocí „jednoho počítače“ lze řešit mnoho různých
testů a úloh vytvořených jako zcela samostatné programy a tím nahradit množství i velmi
specializovaných přístrojů. Z čehož plynou další nezanedbatelné výhody jako: úspory nejen
finanční, ale rovněž prostorové; ukládání i různých typů dat na společném místě; možnost
kdykoli získat celkový přehled všech naměřených a jinak získaných informací a mnoho dalších.
Do nedávna byla velkou překážkou nedostupnost velkoplošných monitorů nebo zobrazovacích
jednotek pro dosažení potřebného zorného pole při některých typech vyšetření pacienta.
Současná vcelku příznivá cena velkoplošných zobrazovačů jako jsou LCD TV již tento
nedostatek zcela odstraňuje.
V první fáze je tedy nutno převést některé diagnostické vyšetřovací úlohy na SW programy
za účelem získání již zmíněných výhod. Zde je nutno se zaměřit nejen na často používaná
vyšetření, ale současně na vyšetření, která lze do SW podoby „skutečně“ převést bez ztráty
jejich významu. Hlavním cílem je však dostatečně objektivizovat výstupy těchto testů, tj.
eliminovat subjektivní složku lékaře a podle možností i pacienta.
Ve druhé fázi získat maximální množství informací z takto vytvořených SW nástrojů. To
znamená, mimo základních výstupů, získat další informace, jež mohou hlavní výsledek nejen
zpřesnit, ale může jít o zcela nové informace využitelné zcela novým způsobem.
Ve třetí fázi navrhnout jak lze nové informace zpracovat a využít pro zkvalitnění celkového
výstupu testu a stanovení diagnózy pacienta. Současně navrhnout, jak tyto nové informace
zahrnout do stávajících výstupů a protokolů těchto vyšetření a testů.
Ve čtvrté fázi navrhnout a vytvořit systém pro podporu lékaře při rozhodování o diagnóze
pacienta. Systém by se neměl v žádném případě snažit lékaře nahradit, ale pouze navrhnout
diagnózu podle určitých kritérií. Měl by lékaři poskytnout podklady vedoucí k navržené
diagnóze, ale konečné rozhodnutí je samozřejmě vždy na lékaři. Takto vytvořený systém by
měl obsahovat schopnost se učit a tím postupně zdokonalovat svoji činnost. Nejpřijatelnější
způsob učení bude zřejmě vhodné založit na již zpracovaných případech. Zde je nutno
současně navrhnout určitou hodnotící funkci, která bude vypovídat jak je systémem úspěšný
neboli přesný při návrhu diagnózy.
7
V poslední fázi bude rovněž nutné navrhnout obdobné řešení pro rehabilitační metody. Tedy
nejprve jejich převedení do vhodné SW podoby a poté zajištění objektivního hodnocení nejen
při konkrétním testu, ale současně i v celkovém průběhu rehabilitace. V této části je nutno
dbát na vhodnou stimulaci pacienta při řešení rehabilitačních úloh. Rovněž nelze zapomenout
na správné podání výsledků o průběhu léčby pro lékaře, například formou grafů.
8
5 Objektivizace vyšetřovacích postupů
Před dalším popisem je vhodné ustanovit některá názvosloví a termíny, jež budou v dalším
textu často využívány:
Lékař neboli vyšetřující – Osoba, jejímž úkolem je vykonat vyšetření nebo dohled nad úlohou
sloužící k vyšetření a tím získat informace o stavu pacienta.
Pacient neboli vyšetřovaný – Osoba, jejímž úkolem je podstoupit vyšetření nebo vykonat
úlohu sloužící k vyšetření a tím poskytnout informace o svém stavu.
Test případně úloha – Dílčí část vyšetření určená pro získání určitého typu informací od
pacienta.
Vyšetření – Soubor i několika testů a úloh pro pacienta s účelem získání komplexnějších
informací o jeho stavu.
Výstup testu nebo vyšetření – Výstup daného testu grafickou nebo číselnou formou pro další
zpracování nebo hodnocení lékařem.
Přístroj, nástroj nebo pomůcka – Vybavení lékaře sloužící ke snadnějšímu, rychlejšímu a
přesnějšímu získání informací o stavu pacienta.
Klasický přístroj, nástroj nebo pomůcka – Původní, převážně mechanické, dnes často
používané vybavení ordinací lékaře.
SW přístroj, nástroj nebo pomůcka – Nově navrhované nebo již vytvořené řešení pomocí
osobního počítače nahrazující původní mechanické řešení.
SW podoba – Verze přístroje, nástroje nebo pomůcky převedená do podoby počítačového
programu.
Nepřesnost – Odchylka nejen výstupu, ale i jiných dílčích činností od ideálního, neboli zcela
přesného stavu. Pojem „nepřesnost“ vždy neznamená „chyba“. Chyba je většinou způsobena
přímo nedbalostí nebo nepozorností, ale nepřesnost je v podstatě vždy přítomna z důvodů,
které obsluha nemůže nijak ovlivnit, jako jsou hrubost stupnice pro odečítání hodnot,
nedokonalost přístroje atd.
Červeno-zelené brýle – Pomůcka při mnoha ortoptických testech. Pacient přes červené sklo
brýlí vidí pouze červenou část obrazové scény a přes zelené sklo pouze zelenou část obrazové
scény. Jde tedy o rozdělené pozorované scény na obraz pro pravé a levé oko pacienta.
5.1 Okohybný aparát člověka a jeho hlavní poruchy
Před vlastním popisem způsobu vytvoření a zajištění objektivizace některých metod a postupů
určených pro diagnostiku strabismu je vhodné podat určitý základní a stručný přehled o
okohybném aparátu člověka. Tedy nejen o koncových okohybných svalech, ale i o k nim
vedoucích nervech a případně mozkových řídicích jádrech [1,2]. Následující text je tedy velmi
stručných a základním popisem tohoto okohybného systému člověka, avšak pouze z pohledu
cílů této práce. Nikoli z přesného lékařského hlediska. Tímto se omlouvám za některé, možná
ne zcela přesné formulace a použité názvosloví. Celý aparát zajišťující pohyb očí se skládá
z mnoha částí. Pro naše účely stačí uvést pouze tři základní z nich:
9
-
-
-
Koncové okohybné svaly. Každé oko obsahuje šest okohybných svalů. Musculus rectus
superior - horní přímý sval. Musculus rectus inferior - dolní přímý sval. Musculus rectus
internus - vnitřní přímý sval. Musculus rectus externus - zevní přímý sval. Musculus
obligus superior - horní šikmý sval. Musculus obligus inferior - dolní šikmý sval. Při
jakémkoli poškození některého svalu dochází k nesprávnému nastavení pozice oka
v odpovídajícím směru.
Ke svalům každého oka vedou tři nervy. N. III nervus oculomotorius - inervuje horní,
vnitřní a dolní přímý sval a dolní šikmý sval. N. IV nervus trochlearis - inervuje horní
šikmý sval. N. VI nervus abducens - inervuje zevní přímý sval. Při jakémkoli poškození
určitého nervu dochází k nesprávné činnosti pohybu oka buď v jednom, nebo více
pohledových směrech současně. Některé nervy ovládají i více okohybných svalů
současně.
Vervy vycházejí z nervových jader, které zajišťují nejen součinnost jednotlivých
okohybných svalů na příslušném oku, ale rovněž součinnost pohybu obou očí.
V závislosti na poruše konkrétního nervového jádra se výsledek projeví buď pouze na
jednom oku, nebo na obou očích současně.
V oboru strabismu se však mohou vyskytnout i další typy poruch a to od čistě optických jako
například optická vada čočky, vada sítnice oka, optického nervu, až po čistě mozkové anomálie.
Optickým a mozkovým vadám se však práce přímo nevěnuje, ale jsou částečně zahrnuty ve
výstupech některých testů. Práce se tedy věnuje detekci poruch zejména ve třech zmíněných
částech okohybného aparátu člověka. Obrázek 5.1a poskytuje přehled o skutečném umístění
okohybných svalů v lebce člověka a Obrázek 5.1b obsahuje jejich logické zobrazení například
pro lékaře.
a)
b)
Obrázek 5.1: Soustava okohybných svalů člověka: a) skutečné umístění okohybných svalů v lebce člověka, b)
jejich logické umístění pro výukové účely.
Skutečné umístění okohybných svalů v lebce člověka je na první pohled poněkud odlišné od
jejich logického významu. Z tohoto důvodu je logický význam pro naše účely zcela postačující.
Stručně lze říci, že jednotlivé oční svaly pohybují okem podle barevných šipek do vyznačených
pohledových směrů. Obrázek 5.2 naznačuje propojení jednotlivých okohybných svalů nejprve s
nervy a poté s nervovými jádry.
10
Obrázek 5.2: Návaznost okohybných svalů na jejich nervy a poté nervová jádra.
Obrázek 5.2 obsahuje nejen přehled okohybných svalů, tj. šest pro každé oko a k nim
vedoucích nervů, tj. tři pro každé oko, ale současně i souboru několika nervových jader
zajišťující správnou součinnost obou očí pro různé účely jako jsou rychlé pohyby, pomalé
pohyby, zaměření na cíl atd. Z tohoto je zřejmá velká složitost celého okohybného systému a
tudíž i ne zcela snadná diagnostika pro detekci správné příčiny poruchy. Vzniklá porucha
v okohybném aparátu člověka se může jevit navenek poněkud odlišně v závislosti na její
skutečné příčině. Jako příklady lze uvést:
-
-
-
Porucha přímo v okohybném svalu. Určité okohybné svaly jsou na obou očích v tzv.
součinnosti. Porucha svalu jednoho oka vyvolá ve většině případů nesprávné chování
na obou očích současně, ale na každém však poněkud odlišné. Samozřejmě může být
porucha i více okohybných svalů současně.
Porucha v návazných nervech. Je-li postižen nerv vedoucí pouze k jednomu
okohybnému svalu, tak jeho nesprávná činnost ovlivní většinou pouze tento konkrétní
okohybný sval. Pokud je však postižen nerv vedoucí k několika okohybným svalům
současně, tak se může porucha jevit jako postižení několika okohybných svalů
současně. Nemusí tedy jít, jak by se mohlo na první pohled zdát, o poruchu více
okohybných svalů, ale ve skutečnosti o poruchu pouze jednoho nervu. Nerv však
nemusí být poškozen zcela a tudíž některý ze svalů, jenž nerv ovládá, může být stále
schopen správné činnosti. Rozpoznat tuto skutečnost již není snadné.
Porucha nervových jader. Nervová jádra jsou vhodně propojena pro zajištění všech
potřebných typů očních pohybů, jako jsou rychlé, pomalé atd. Dojde-li k poruše
jednoho nervového jádra, tak se může důsledek projevit buď pouze na jednom oku,
nebo na obou očích současně a to ještě pouze za určité situace. Stanovení takovéto
diagnózy může být již velmi obtížné.
Pro úplnost ještě uveďme nejčastější příčiny vzniku některých okohybných poruch:
-
Vývojem člověka od narození. Nesprávným vývojem do, při nebo po narození. Tyto
poruchy se často odstraňují operací. Avšak jejich léčba rehabilitací rovněž není
ojedinělá.
11
-
-
-
Poškozením například nemocí. Vlivem nemoci dojde k poškození správné činnosti
okohybných svalů, nervů, nebo nervových jader. Způsob nápravy závisí na typu a
velikosti poškození. Často se však léčí rehabilitací.
Poškození úrazem. Mechanickou příčinou nebo obdobným způsobem jako je uder
předmětu do lebky nebo pád člověka na zem, dojde k poškození, natržení, přiskřípnutí,
nebo jiné deformaci některého okohybného svalu nebo nervu. Často se odstraňuje
nejprve operací a pak léčí rehabilitací.
Poškození nádorem nebo jinou vnitřní anomálií. Prvotní diagnóza tedy nemusí
naznačovat příčinu v okohybném aparátu člověka.
V závislosti na typu a místě vzniku poruchy nebo části poškození jako je okohybný sval, nerv,
nervové jádro se důsledek postižení může jevit odlišně. Pokud je však poruch přítomno více
současně, jak svalové tak i nervové, potom se mohou těžce rozpoznávat.
5.2 Základní diagnostické možnosti
Pro správné rozlišení poruch, zejména jejich typu a místa existuje soubor vhodných testů a
úloh. Soubor těchto testů lze rozdělit do tří hlavních skupin:
-
-
-
V podstatě exaktní testy, u kterých vzniká vždy maximální možná nepřesnost, kterou
lze celkem dobře stanovit. Nepřesnost daná například konstrukcí přístroje.
Výsledek je závislý zejména na subjektivním pozorování vyšetřujícího. Nepřesnost
vyšetřovaného je zanedbatelná, nebo není přítomna. Předpokládáme, že pacient
spolupracuje a úmyslně nepodvádí. Nastává zde nepřesnost měření závislá nejvíce na
schopnostech vyšetřujícího.
Výsledek je zcela závislý na subjektivní výpovědi vyšetřovaného. Pacient je nucen
lékaři pospat scénu, kterou vidí ze svého pohledu. Lékař mnohdy není schopen snadno
zjistit, zda výpověď pacienta je správná nebo nikoli. Nejvíce tedy závisí na ochotě
spolupráce pacienta a samozřejmě pochopení principu testu.
Některé testy mohou být kombinací dříve zmíněných. V tomto případě se subjektivní
nepřesnosti vyšetřovaného a vyšetřujícího sčítají. Nepřesnosti vlivem odečítání čísel na
stupnicích jsou již v tomto případě v podstatě zanedbatelné.
Ze strany pacienta však v mnoha případech nemusí jít o „úmyslné podvádění“, ale často o
nesprávné pochopení principu testu nebo postupu úlohy. Ze strany vyšetřujícího jde v podstatě
vždy o zkušenosti. Zejména jak je vyšetřující schopen odhalit skutečnost, kdy vyšetřovaný
nedostatečně správně pochopil podstatu testu nebo metody. Pro vyšetřujícího se postupy a
testy stávají rutinou a často si již neuvědomí, že pacient něco není schopen automaticky
pochopit.
Pří vyšetření pacienta, při tak zvaném rozboru, je potřeba vykonat určitou sadu testů a měření.
Ne všechny jsou vždy skutečně potřebné. Postupuje se zhruba následujícím způsobem.
Vyšetřující (například obvodní lékař) použije několik málo velmi snadných a jednoduchých
testů, většinou bez použití nákladných přístrojů. Pokud jsou výstupy těchto testů úspěšné a pro
lékaře uspokojivé, tak se již některá další přístrojová měření nevykonávají, protože nemají
význam. Naopak pokud tyto jednoduché testy poskytnout nejasné nebo neuspokojivé
12
výsledky, tak je pacient podroben komplexnějšímu vyšetření pomocí speciálních přístrojů
(například na očním oddělení). Tato skutečnost však často zahrnuje poslání pacienta na
specializovanější pracoviště, protože tyto přístroje nejsou pro každou ordinaci dostupné. Lze
tedy říci, že pro velkou část testů při vyšetření existují dva krajní způsoby.
První způsob je velmi „primitivní“ a rychlý a v mnoha případech postačující. Ten je v podstatě
většinou založen na subjektivním úsudku a zkušenostech lékaře. Často jej lze velmi snadno
transformovat do podoby SW zařízení a současně získat další velký přínos v podobě nových
typů informací.
Druhý způsob je naopak velmi „přesný“, ale současně finančně nákladný a časově náročný. Ten
již tak snadno nelze nahradit SW podobou se vším, co se od něj vyžaduje. Jedná se zde zejména
o přesné a sofistikované optické přístroje.
Naskýtá se tedy „střední možnost“ a to převedení „velkého množství“ základních úloh do SW
podoby při současném rozšíření o nově získané informace a samozřejmě poskytnutí
objektivnějšího výstupu. Tím dojde k několika podstatným výhodám oproti již existujícímu
řešení:
-
-
-
Obsaženy všechny výhody SW řešení, jako jsou rychlost, přesnost, uchování dat atd.
V největší možné míře eliminace subjektivní složky lékaře. Eliminuje se v podstatě
slovní přenos pacient <-> lékař, při kterém vzniká spousta nejasností například
z důvodu nejednoznačného slovního vyjadřování pacienta.
Získání mnohem více informací a parametrů, které nelze použitím původní manuální
úlohy získat. V mnoha případech, i když se získávají přesnější údaje a to dokonce ve
větším množství, je SW test přesto znatelně rychlejší.
V podstatě jde již o vyšetření a nikoli pouze o test. Výstupem již nebude pouze
hodnocení lékaře ve stylu „vlevo dobré, vpravo omezení“ a podobně, ale výstupem
budou konkrétní hodnoty v podobě prokazatelných číselných výstupů. Test bude
libovolně opakovatelný a tudíž porovnatelný.
Rovněž je vhodné podrobněji zanalyzovat, jaké typy nepřesností mohou při vlastním vyšetření
nebo testech vznikat a pokud možno najít jejich příčiny. Toto je velmi podstatné pro jejich
možné pozdější odstranění. V naprosté většině případů probíhá vyšetření formou
několikanásobné, převážně slovní, iterace mezi lékařem a pacientem. Nejprve lékař pacientovi
vysvětlí princip a postup testu, poté pacient splní určené úkony a nakonec probíhá slovní
iterace, kdy se lékař snaží „přimět“ pacienta ze svého pohledu k „uspokojivé odpovědi“.
Z průběhu několika vyšetření nebo testů byly zanalyzovány následující nejčastější nepřesnosti a
jejich předpokládané příčiny:
-
-
Pacient pochopí vše zcela správně a plně spolupracuje. Iterace lékař – pacient je tedy
rychlá, obsahuje malý počet kol a lékař je s výsledkem spokojen. I když lékař vždy neví,
zda je výsledek určitě správný.
Pacient nepochopí zcela správně podstatu testu a občas poskytuje zcela „nechtěně“
mylné informace. Iterace se stává dlouhodobou, obsahuje velký počet kol a tento stav
jak lékaře, tak i pacienta unavuje. Lékař získává pocit, že pacient „neví“. Pacient získává
pocit, že mu lékař „nerozumí“. Toto se často nepříznivě odrazí v kvalitě výstupu testu.
13
-
-
-
-
-
Pacient dostatečně pochopí svoji úlohu, ale jeho porucha je natolik nestabilní a on
není schopen podat z pohledu lékaře vhodnou nebo uspokojivou odpověď. Situace se
poté velmi podobá té v předchozím bodě.
Pacienti, převážně děti se stydí nebo bojí odpovědět, zejména při stoupající lékařově
nervozitě z nepřesných odpovědí pacienta. Toto rovněž velmi znehodnocuje výsledek
testu.
Při testu nebo měření nastává iterace přes tři stavy: pacient -> lékař -> přístroj a opět
znova. Pacient podá ne zcela přesnou odpověď, lékař ne zcela přesně pochopí vjem
pacienta, a tudíž ne zcela správně nastaví přístroj. Vzniká tedy dílčí nepřesnost na třech
místech a to často současně. Tím se nejen prodlužuje celkový čas testu, ale rovněž
klesá vypovídací hodnota výsledku.
Výsledkem testu je v podstatě pouze aktuální konečný výstup. Dalším doplňkovým
výstupem může být samozřejmě poznámka lékaře, ale ty se však často neuvádějí.
Výstup neobsahuje žádné informace například o chování pacienta v průběhu testu a
nelze tedy později hodnotit věrohodnost výsledků. Velmi často jeden lékař vyšetřuje a
druhý výsledky posuzuje.
Lékař, i když zcela nechtěně může výsledek ovlivňovat. Například „urychlováním“
výpovědi pacienta, nebo návrhem „odpovědi“. Pacient často zvolí odpověď, které ze
slov lékaře více porozuměl, nebo kterou mu lékař navrhnul jako první.
Byly tedy uvedeny některé nejčastější problémy, s nimiž se lze setkat při použití klasických
postupů při vyšetření. Lze říci, že mezi ty nejzávažnější patří nepochopení testu ze strany
pacienta, časový tlak lékaře na pacienta, strach pacienta s nesprávné nebo pouze nesprávně
formulované odpovědi, únava a vzájemná nervozita. Pokud bude vytvořen vhodný testu
formou SW nástroje, kdy sám pacient bude vytvářet výstup přístroje podle svého vjemu, tak
bude možno do značné míry eliminovat většinu dříve uvedených nežádoucích vlivů na výstup
testu, případně celého vyšetření. Naopak budou získány tyto výhody:
-
-
-
Testy vytvořeny pro pacienta budou jednoduché a názorné. Tedy převážně grafické.
Pacient použije standardní nebo upravené ovládání, v mnoha případech myš nebo
joystick, které jsou zejména pro děti velmi vhodné, a tím mu bude umožněno přímo
ovládat SW přístroj. Test bude tedy založen na zcela „opačném“ přístupu. Výstupní
hodnotu přístroje bude nastavovat, neboli vytvářet, sám pacient, nikoli lékař.
Vysvětlit dítěti, „překryj obrázky psa a boudy pomocí myši nebo joysticku přes sebe,
tak aby byl pes v boudě“ je triviální v porovnáním s „řekni mi, jak mám pohybovat
psem, aby byl v boudě “. Mnoho malých dětí se stydí, pletou si strany, nebo prostě
nevědí a to již vůbec nemluvíme o požadavku umístění psa skutečně do středu boudy.
Při novém způsobu testu nebo měření nastává iterace pouze typu pacient -> přístroj.
Pacient zhodnotí svůj vjem a pomocí stisku tlačítka, pohybu myši nebo joysticku přímo
posunuje obrázkem na obrazovce. Pomocí velmi malého počtu iterací je schopen
například nastavit obrazce správně přes sebe. Samozřejmě mnohem „dříve“ a
„přesněji“ než v případě iterace ještě přes lékaře. Lékař průběh testu pouze kontroluje.
Pacient v podstatě není nucen ani slovně odpovídat a tím mít obavu z nepřesné nebo
nepřesně formulované odpovědi.
14
-
-
-
-
Lze obdržet množství nových informací vypovídajících o počínání si pacienta u
průběhu vlastním testu. Jde o informace, které by pacient sám ani nesdělil. Lze
rozeznat například, zda si je pacient jist nebo zda váhá s nastavením výstupu, nebo
dokonce zda se mu třásla ruka. Tyto informace mohou být velmi užitečné při dalším
hodnocení výstupu testu.
Zcela odpadne „nervozita“ lékaře hlavně z nesprávné odpovědi ze strany pacienta.
Zcela odpadne „nervozita“ pacienta z nepřesné nebo nesprávně formulované
odpovědi. Tím se nejen velmi zkvalitní výstup testu, ale zejména se zrychlí. Pro
pacienta dětského věku je toto vše velkým přínosem. Náladové stavy, zejména lékaře a
stud zejména pacienta již budou výsledek testu ovlivňovat minimálně.
Při SW řešení úloh v podstatě lékař pacienta svým vstupem v průběhu testu téměř
neovlivňuje, ale pouze sleduje, jak si pacient počíná. Lékař pacientovi již výsledek
nenavrhuje a tím jej tedy přímo neovlivňuje. Výstup nastavuje nebo vybírá z vhodného
seznamu sám pacient.
Je potřeba připomenout skutečnost, kdy výstup testu obsahuje mnoho nových
dodatečných informací.
 Výstupy těchto SW nástrojů poskytují bezesporu vyšší vypovídající hodnotu, jsou méně
časově náročné a samozřejmě mnohem objektivnější.
5.3 Možné nepřesnosti ve výstupu měření nebo testů
Z předchozího vcelku podrobného popisu vyšetření a postupů je zřejmé, že spolehlivost a
přesnost výsledku je kromě přesnosti vlastního přístroje závislá na dvou hlavních
skutečnostech:
-
-
Jak srozumitelně dokáže lékař podat pacientu informace vedoucí k získání
nejhodnotnějšího výstup. Tento krok sice do jisté míry závisí rovněž na chápání
pacienta, ale zejména na zkušenostech lékaře. Lékař se v tomto směru stále učí.
Jak srozumitelně a přesně dokáže pacient podat lékaři svůj vjem. Velká část testů je
založena na slovním podání subjektivního vjemu pacienta.
Zde bude záměrně používáno označení „nepřesnost“ a nikoli „chyba“. Pod pojmem nepřesnost
si zde představujeme zejména neúmyslné nebo malé chyby. Kdežto pod pojmem chyba se
velmi často označují zejména úmyslné nebo velké chyby. Celková nepřesnost výstupu PC je
tedy dána jako součet nepřesností lékaře PL a nepřesností pacienta PP:
PC = PD + PL = ( PLZ + PLS + PLI + PLX ) + ( PPN + PPJ + PPI + PPX )
(5.1)
Dílčí nepřesnosti lékaře a pacienta označujeme následovně:
PLZ – nepřesnost lékaře plynoucí z lékařských neznalostí (lékařského oboru)
PLS – nepřesnost lékaře plynoucí z nízkých lékařských zkušeností (znalost ≠ zkušenost)
15
PLI – nepřesnost vzniklá z neznalosti správného používání přístroje (ve většině případů
není chyba lékařská, ale lékaře jako osoby)
PLX – další nepřesnosti lékaře jako jsou například okamžitá nálada, únava atd.
PPN – nepřesnost pacienta vzniklá vlivem nebo nestabilitou jeho poruchy
PPJ – nepřesnost pacienta vzniklá vlivem jeho nerozhodnosti zejména ve smyslu jeho
ovlivnitelnosti lékařem
PPI – nepřesnost vniklá ze složitosti používaného přístroje pacientem
PPX – další nepřesnost vzniklé například nízkým, nebo naopak vysokým věkem pacienta
Nepřesnosti lékaře typu PLZ a PLS nelze v podstatě dostatečně a již vůbec ne jednorázově
odstranit. Nepřesnost PLI lze však velmi znatelně nebo téměř zcela odstranit vytvořením
vhodného a srozumitelného přístroje. Nepřesnost PLX je zcela závislá na lékaři a tudíž její
eliminace je také nereálná.
Nepřesnost pacienta PPN nelze rovněž odstranit, neboť je dána jeho poruchou, kterou velmi
často pacient není schopen ovlivnit. Lze ji však vhodně měřit a později využít ke korekci
výsledku. Nepřesnost PPJ lze odstranit nejen omezením nevhodného vlivu lékaře, ale zejména
zajištěním dostatečné informovanosti pacienta. Nepřesnost PPI lze pouze vhodně omezit
vytvořením dostatečně srozumitelné úlohy, aby byla pro pacienta zcela pochopitelná a
zejména jednoduchá. Nepřesnost PPX u pacienta je obdoba nepřesnosti PLX u lékaře.
Při návrhy diagnostických SW nástrojů je tedy kladen důraz zejména na buď úplnou eliminaci,
nebo aspoň co největší omezení následujících typů nepřesností:
-
-
-
-
PLI – Vytvořením uživatelsky vhodného a jednoduchého nástroje pro lékaře
srozumitelného a pochopitelného. Schopnost SW nástroje samostatně co nejvíce
dohlížet na průběh testu.
PPN – Schopností SW nástroje detekovat nepřesnost pacienta a indikovat ji ve svém
výstupu. SW nástroj ji nemusí být schopen zcela eliminovat. Může ji však být schopen
nejen detekovat, ale případně i měřit.
PPJ – Schopností SW nástroje vést pacienta k výběru odpovědi bez zásahu lékaře. Zde
je poněkud zavádějící slovo „vést“, které v podstatě nahrazuje „vedení“ lékařem.
Rozdíl však je ve vytvoření stejným podmínek pro všechny pacienty, což v případě
lékaře nelze zaručit.
PPI – Vytvořením vhodných SW nástrojů, tak aby byly pro pacienta srozumitelné a
pochopitelné.
PPX – Částečně lze tuto chybu eliminovat například pomocí několika verzí úlohy.
Například pro velmi malé dětí, pro handicapované uživatele, nebo pro poněkud starší
občany. Úloha se nemusí lišit vlastním průběhem, ale pouze časem trvání neboli
počtem úkolů / kroků. Nastaví například lékař podle úrovně spolupráce pacienta.
16
5.4 Nestabilita poruchy a Nejistota pacienta
Nepřesnosti typu PLI, PPI a PPX jsou v podstatě zcela záležitostí vytvářených SW nástrojů.
Zbývající nepřesnosti PPN a PPJ rovněž do určité míry SW nástroje ovlivňují, ale jejich podstata je
zejména v pacientovi samotném a bylo by vhodné je podrobněji definovat a to následovně:
PPN – Nestabilita poruchy pacienta.
PPJ – Nejistota pacienta.
Mnoho poruch se projevuje ve své podstatě tzv. nestabilně a při opakování testu jsou získány
poněkud, ne však příliš odlišné výsledky. Pacient v podstatě není schopen podat opakovaně
stejný výstup z podstaty poruchy. Avšak i když může být porucha stabilní, tak pacient si nemusí
být odpovědí dostatečně jist. Pacient získá určitý vjem a najednou mu lékař navrhuje něco
poněkud odlišného a pacient je tudíž poněkud zmaten. Najednou si tedy není svojí odpovědí
tak jist jako před zásahem lékaře.
V popisu diagnostických nástrojů se budou často vyskytovat pojmy „nestabilita poruchy“ a
„nejistota pacienta“. Jde tedy o dva zcela nové pojmy, které byly vytvořeny na základě analýzy
existujících diagnostických nástrojů a jejich využívání. Na jednu stranu jde o dva velmi odlišné
pojmy, ale na druhou stranu mohou být však značně svázané.
Nestabilita poruchy pacienta vypovídá o nestálosti poruchy neboli proměnné velikosti úchylky
dané poruchou pacienta během času při vykonávání testu nebo vyšetření. Vhodným příkladem
je Hesovo plátno. Pacient trpící nestabilní poruchou šilhání, například ve vodorovném směru,
tedy není schopen správně překrýt obraz pravého a levého oka správně přes sebe, protože mu
jeden z nich nebo dokonce oba s časem ujíždějí. V podstatě se z pohledu pacienta „posouvají“,
neboli „plavou“. Ve výsledku si tedy pacient zvolí jednu vhodnou pozici stimulačního bodu,
která však nemusí být správná. Ono je ve skutečnosti těchto správných pozic několik, avšak
v závislosti na čase.
U hodnocení nestability poruchy pacienta tedy v jistém smyslu záleží na časové délce
vykonávání příslušného testu. Větší nestabilita velmi často způsobuje delší čas trvání testu.
Toto však není jediné a hlavní hledisko. Nepřesnost polohy udaného bodu může být často
shodná, ať jej pacient potvrdí nyní nebo až za několik vteřin.
Při nestabilitě poruchy pacienta se tedy jedná zejména o pohyb neboli dráhu, kterou pacient
vykonal například při sledování zdánlivě pohybujícího se podnětu. Toto lze uvažovat z několika
pohledů. Z pohledu lékaře jde o „skutečný pohyb“ oka pacienta. Z pohledu pacienta jde o
„zdánlivý pohyb“ podnětu na obrazovce. Z pohledu SW testu jde například o „skutečný pohyb“
myší pacientem. Nestabilita tedy určuje v jakém okolí (případně jak velkém a jakého tvaru) se
může vyskytovat správná odpověď pacienta. Toto okolí lze současně stanovit pomocí
některých parametrů:
-
NT – Tvar. Udává, zda je nestabilita pouze v jednom nebo více směrech. Ve většině
případů jde o tvar mezi úsečkou a protáhlou elipsou. Nestabilita v jednom směru a to
horizontálním často převládá.
17
-
-
NV – Velikost. Udává rozsah nestability, tedy parametry příslušného obrazce. Při popisu
tvaru nestability byla zatím použita elipsa a její parametry (střed, hlavní a vedlejší
poloměry).
NP – Rozložení nestability. Udává, jak jsou pravděpodobné jednotlivé hodnoty
nacházející se na ploše přestavující rozsah nestability.
NX – Další parametry jako například místo, kde k nestabilitě dochází atd. Tento
parametr však pro další zpracování uvažovat nebudeme, protože se může měnit
například i během dne.
Výsledná nestabilita je tedy funkcí tvaru NT, velikosti NV, rozložení NP a dalších parametrů NX:
N = f1 ( NT , NV , NP , NX )
(5.2)
V mnoha případech není z hlediska lékaře podstatné a ani dokonce žádoucí vyjadřovat
nestabilitu pacienta pomocí konkrétní číselné hodnoty. Jednak z důvodu, že tento údaj nelze
přesně detekovat, neboli ověřit a za druhé jak stanovit určité meze pro posouzení. Současně
nejen jiný typ poruchy, ale dokonce stejná porucha na jiném testu může vykazovat zcela jinou
velikost nebo dokonce typ nestability. Nestabilita poruchy pacienta je tedy ve výsledku testu
hodnocena dvěma způsoby, ale ne vždy jsou použity oba současně:
-
-
Orientační číselnou hodnotou, tam kde to má význam. Měří-li se výchylka oka ve
stupních, má samozřejmě význam nestabilitu v rámci opakování testu hodnotit rovněž
ve stupních.
Grafickým znázorněním, kde je to mnohem přínosnější. Umisťuje-li pacient body na
dané pozice, nemá číselná hodnota přesnosti umístění příliš velký význam. Mnohem
vhodnější je grafické znázornění například pomocí velikosti, případně barvy, cílového
bodu, udávající v jakém okolí jím pacient pohyboval, než jej skutečně umístil.
Nejistota pacienta vypovídá o nejistotě neboli neodhodlanosti pacienta potvrdit svůj výstup.
Vhodným příkladem mohou být optotypy, kdy pacient se snaží zaostřit na aktuální znak,
protože si jím není jist. Rovněž v případě Hessova plátna, kdy se pacient rozhoduje, zda jsou
body již skutečně překryty či nikoli. Bodem již nepohybuje, ale pouze se rozhoduje.
U nejistoty pacienta se tedy jedná zejména o čas potřebný ze strany pacienta. Jde ovšem o čas,
kdy pacient „zdánlivě“ nevykazuje žádnou činnost. V tomto čase se však mohou skrývat i další
parametry, dílčí časy, jako například duševní uvědomění, které lze obecně popsat jako „dlouhé
vedení“, nebo rychlost svalové reakce a další.
Definujeme-li celkový čas potřebný pro potvrzení odpovědi, lze jej zapsat následovně:
TC = T1 + T2 + T3 + T4 + T5 ( + T6 )
Kde jednotlivé složky znamenají:
T1 – Čas potřebný pro zrakový aparát pro vytvoření vjemu.
T2 – Čas potřebný pro uvědomění si vjemu.
T3 – Čas potřebný pro rozhodnutí (skutečné odhodlání k výstupu).
18
(5.3)
T4 – Čas potřebný pro nervové spoje ke svalům.
T5 – Čas potřebný pro svalovou aktivitu (skutečné vykonání výstupu).
T6 – Čas pro odpočinek mezi rychle se opakujícími testy.
Všechny uvedené časy lze v podstatě měřit pomocí speciálních testů a zařízení. Jejich přesná
detekce je však časově velmi náročná a pro naši objektivizaci ne nutně podstatná. Budeme-li
chtít měřit jistotu / nejistotu pacienta, tak nás nikterak nezajímají tyto časy:
T1 – Je zanedbatelný vzhledem k celkovému času (vytvoření obrazu).
T4 – Rovněž zanedbatelný vzhledem k celkovému času (nervová rychlost).
T5 – V mnoha případech rovněž zcela zanedbatelný (svalová rychlost).
T6 – Testy nejsou časově náročné a tudíž se neuplatní (odpočinek po testu).
Naopak by nás velmi zajímaly následující časy:
T2 – Uvědomění si vjemu. Může velmi vypovídat o složitosti poruchy pro pacienta.
T3 – Uvědomění si odpovědi. Může velmi vypovídat o složitosti poruchy z hlediska
jejího popisu pacientem.
Právě časy T2 a T3 tvoří nejistotu odpovědi pacienta při rozhodování o výstupu. Výsledná
nejistota pacienta však není dána pouhým jejich součtem, ale určitou funkcí (obdobně jako
v případě nestability poruchy pacienta):
J = f3 ( T2 , T3 , X)
(5.4)
Položka X značí další parametry jako je denní doba, věk atd. Ty není možno vhodně stanovit.
Stejně jako v případě nestability poruchy pacienta je nejistota pacienta vyjadřována dvěma
způsoby:
-
-
Orientační číselnou hodnotou, pokud je to vhodné. Lze-li úlohu hodnotit pouze podle
času, tak je jistota pacienta dána právě tímto časem. Časový interval je stanoven podle
doporučení lékařem.
Grafickým zobrazením. Umisťuje-li pacient body na dané pozice, nemá číselná
hodnota vyjadřující rychlost umístění bodu příliš velký význam. Mnohem vhodnější je
však grafické znázornění například pomocí sytosti barvy cílového bodu, udávající jaký
čas pacient potřeboval od ukončení pohybu bodem, než jej skutečně potvrdil. Čím je
barva bodu světlejší tím pacient potřeboval delší čas pro jeho umístění nebo potvrzení.
Pod pojem „zvýšení objektivizace“ není tedy nutno uvažovat vždy pouze číselné a zcela exaktní
hodnoty vystupující z procesu měření. Pod tímto pojem si lze rovněž představit jakékoli vhodně
podané dílčí informace pro správnější rozhodnutí ze strany lékaře. Z tohoto důvodu není nutno
vyjadřovat nestabilitu poruchy a nejistotu pacienta v každém případě pomocí číselné hodnoty,
která by byla pro lékaře převážně stejně matoucí. Naopak mnohem vhodnější je právě již
zmíněný grafický výstup:
19
-
Pro lékaře mnohdy přehlednější. Zejména pomocí tvarů a barev.
Čtení grafických informací je mnohdy snadnější a rychlejší než číselné vyjádření.
V mnoha případech jde zejména o srovnání než o skutečné exaktní hodnoty.
Nestabilita poruchy pacienta může být u každé poruchy definována zcela odlišně.
Avšak například větší velikost plochy vždy indikuje větší nestabilitu a naopak.
Nejistota pacienta může být v každé úloze definována poněkud odlišně. Avšak
světlejší odstín může vždy signalizovat vetší nejistotu pacienta a tmavší naopak.
Z těchto důvodů bylo ve výstupu jednotlivých testů a úloh přistoupeno zejména ke grafickému
znázornění nestability a nejistotě pacienta. V mnoha případech je však číselná hodnota rovněž
vhodně zobrazena.
5.5 Stanovení základních parametrů pacienta
Pro dosažení skutečně velké objektivizace výstupu testů a to zejména o stavu poruchy pacienta
byly diagnostické úlohy rozděleny do těchto hlavních skupin:
-
Úlohy založené na přesném umístění například bodu pacientem v rovině.
Úlohy založené na postřehu a ostrosti vidění ze strany pacienta.
Úlohy založené na uvědomění si zobrazované scény pacientem.
Ve všech třech typech úloh je snaha o detekci nestability poruchy a nejistoty pacienta formou
vhodných parametrů. Abychom mohli tyto parametry správně určit je nutno nejprve ostatní
nežádoucí vlivy eliminovat vhodnou formou úlohy, například předejití třesu ruky jejím
umístěním na podložku. V mnoha případech tohoto však není možné dosáhnout, zejména při
skutečném třesu ruky. Pro detekci těchto nežádoucích vlivů a zejména pro jejich odstranění
z výstupu skutečného vyšetření bylo vytvořeno několik vcelku jednoduchých před-testů.
Pomocí nichž jsou tyto nežádoucí vlivy detekovány a jako vhodné parametry poté předány do
vlastní diagnostické úlohy pro omezení jejich vlivu na celkový výsledek skutečného
diagnostického testu. Jako stručný příklad lze uvést dva jednoduché diagnostické testy.
Prvním je test zorného pole, kdy pacient stiskem signalizuje viditelnost podnětu, který
postupně blikne na různých místech v jeho zorném poli. Pokud bude reakční čas pacienta od
zobrazení podnětu do stisku tlačítka delší než rychlost postupného zobrazování podnětu, tak je
výstup zcela zkreslen. Signalizace pacienta bude milně přiřazována k jinému místu zobrazení
stimulačního bodu, tedy místu pozdějšího výskytu podnětu. Rychlost vlastního testu je tedy
třeba korigovat podle schopností neboli parametrů pacienta pro získání skutečně správného
výstupu.
Druhým je test na omezenou pohyblivost okohybných svalů, kdy pacient stiskem tlačítka
signalizuje nemožnost dosažení požadovaného úhlu výchylky oka při sledování pohybujícího se
podnětu. Pokud pacient trpí pomalejší svalovou reakcí, tak je výstup rovněž nepřesný a to
mnohem lepší než pacientův skutečný stav. Pacient může stisknout tlačítko poněkud později.
Okamžik stisku tlačítka je tedy vhodné korigovat pro získání správného výstupu.
Vytvořené před-testy si v žádném případě nekladou za cíl nahradit již existující a přesné testy
obdobných typů, ale jejich cíl lze shrnout následovně:
20
-
Zachytit převážně hlavní parametry pacienta nevhodně ovlivňující přesnost
diagnostických úloh.
Srozumitelné a rychlé testy nezatěžující pacienta, ale poskytující potřebné informace.
Cílem není přesné měření parametrů pacienta, ale detekce jejich přítomnost se
stanovením jejich orientační hodnoty.
Testy formou jednoduchých úloh pro libovolnou věkovou skupinu.
Testy formou her pro velmi malé pacienty.
Dále jsou uvedeny některé takto vytvořené před-testy podle dříve formulovaných požadavků a
rovněž jejich výstupní parametry. Pacient tyto testy podstoupí pouze jednou za relativně delší
období, nikoli před každou diagnostickou úlohou. Předpokladem je, že tyto parametry pacienta
se s časem znatelně nemění. Jsou uvedeny dva příklady těchto před-testů.
a)
b)
Obrázek 5.3: Příklady dvou úloh pro detekci některých základních parametrů pacienta: a) umisťování bodů na
zadané pozice, b) vyplňování mozaiky podle vzoru.
Umisťování bodů pacientem. Obrázek 5.3a obsahuje variantu před-úlohy od jednoduchého
postupného umísťování několika bodů pacientem na zobrazené pozice, přes sledování
pohybujícího se bodu, až po překrytí pulsujícího bodu. Hodnotí se tyto parametry pacienta:
rychlost pohybu mezi body v závislosti na jejich vzdálenosti, přesnost umístění bodů,
vzdálenost od pohybujícího se bodu, čas od ukončení pohybu do potvrzení bodu, plynulost
pohybu mezi body a čas začátku pohybu od okamžiku zobrazení bodu. Výstupem této úlohy
jsou následující parametry a stručně je podáno jejich využití v diagnostickém testu:
TR – Reakční čas pacienta při zobrazení nového bodu (test zorného pole).
S – Rychlost a plynulost pohybu pacienta myší (vyrovnanost pacienta, rozhodnost).
TD – Rozhodovací čas pacienta (korekce nejistoty pacienta).
Měření reakce. Na obrazovce se zobrazují různé tvary a velikosti obrazců v různých barvách.
Pacient na zobrazení reaguje stiskem tlačítka. Poté se obrazce zobrazují v různých kvadrantech
a pacient určuje jejich polohu, rovněž stiskem příslušného tlačítka. Současně lze testovat
rozeznatelnost obrazce pacientem, tedy stisk pouze při zobrazení obrazce určitého tvaru.
V některých případech jsou generovány rušivé zvuky. Hodnotí se: reakce a správnost.
Výstupem této úlohy jsou následující parametry a stručně je podáno jejich využití v
diagnostické úloze:
TR – Reakční čas při zobrazení nového bodu (test zorného pole, omezení pohybu oka).
21
TD – Rozhodovací čas pacienta (korekce nejistoty pacienta).
E – Náchylnost na okolní rušivé prostředí (zorné pole).
Hra ve formě doplňování mozaiky. Obrázek 5.3b představuje úlohu pro přepis vzoru mozaiky
z horní části dialogu do jeho spodní části. Hodnotí se počet opravovaných políček, rychlost
vyplňování atd. Výstupem této úlohy jsou následující parametry a stručně je rovněž podáno
jejich využití:
R – Plynulost řešení (výchylky nejistoty pacienta).
F – Rozložení chyb na ploše (rozložení spolehlivosti v zorném poli)
TD – Rozhodovací čas pacienta mezi potvrzením políček (korekce nejistoty pacienta).
M – Chybovost pacienta (nejistota odpovědi).
Parametry získané z jednotlivých před-úloh jsou uloženy do databáze pod příslušného pacienta
a vyzvednuty konkrétní diagnostickou úlohou pro vhodnou korekci jejího výstupu.
Ve skutečně podrobných a přesných vyšetřeních například reakcí pacienta se rovněž detekuje
samostatně čas stisknutí a čas uvolnění tlačítka jako zcela rozdílné parametry a další speciální
informace. Pro naše diagnostické nástroje jsou však zde uvedené parametry zcela postačující.
Je tedy potřeba přihlédnout ke skutečnosti, že nejde o přesné neurologické vyšetření, ale o
korekci hodnot podaných pacientem trpícím určitou poruchou, v našem případě šilháním.
Například nestabilita poruchy neboli šilhání již sama o sobě může do výstupu vyšetření vnášet
někdy i značnou nepřesnost.
22
6 Diagnostické nástroje
Jeden z cílů této práce spočívá v návrhu a tvorbě SW diagnostických nástrojů jako alternativy
k v současnosti převážně používaným mechanickým přístrojům a pomůckám za účelem
zajištění vyšší objektivity jejich výstupu a získání většího množství informací. Pro tento krok
byly zvoleny úlohy nebo nástroje nejčastěji využívané v ordinacích lékařů při vyšetření různých
forem strabismu. Vybrány byly zejména takové, jež lze poměrně snadno, nebo nejlépe zcela
převést na SW programy s možností poskytnutí dalších výstupních informací a současně
zajištění minimalizace subjektivní složky pacienta nebo lékaře. Tabulka 6.1 obsahuje název a
stručný popis některých těchto testů.
Tabulka 6.1: Příklady nejčastěji využívanějších diagnostických nástrojů a pomůcek vhodných pro převod na SW
programy. Jejich název a stručný popis.
Název
Worthova
světla
Stručný princip činnosti úlohy nebo přístroje
Pacient pomocí červeno-zelených brýlí sleduje čtyři barevná světla obsahující
dohromady však pouze tři barvy: červenou, zelenou a bílou. Poté vypovídá,
kterým okem a jaké barvy viděl. Určuje se zejména vedoucí oko, zda pacient oči
střídá a zda je schopen opticky spojit obrazy z obou očí.
Optotypy
Pomocí písmen nebo znaků různé velikost lékař nejčastěji ze vzdálenosti 5m
vyšetřuje ostrost vidění pacienta.
Text
Detekce zda obraz pozorované scény dopadá skutečně na sítnici oka s místem s
excentrické nejostřejším viděním. Zda tedy není používáno jiné místo sítnice s nižším
fixace
stupněm ostrosti vidění.
Omezení
Lékař pohybuje podnětem před zraky pacienta, současně však sleduje pohyb
pohyblivosti jeho oka, případně obou očí a určuje do jakého úhlu je schopen pacient svým
oka
okem pohybovat bez známky omezení. Hlava je fixována a pacient pohybuje
pouze okem nebo očima.
Test fuze
Každému oku pacienta je předložen samostatný obraz a to buď shodný, ale
pouze posunutý o určitý horizontální úhel nebo dva mírně odlišné obrazy.
Hodnotí se v jakém rozsahu horizontálního úhlu nebo jak odlišné obrazy je
pacient ještě schopen opticky spojit v jeden obrazový vjem.
Zorné pole
Před pacientem jsou na okamžik postupně rozsvěcovány stimulační podněty na
různých pozicích v jeho zorném poli. Pacient signalizuje jejich spatření a tím
viditelnost této části zorného pole. Hlava je fixována, pacient upřeně sleduje
pouze bod ve středu obrazovky a nesmí pohybovat očima. Jde o periferní zorné
pole.
Hessovo
Při rozdělení scény pro každého oko pomocí červeno-zelených brýlí pacient
plátno
umisťuje zelený bod přes červený a to na předem daných pozicích. Podle
odchylky umístění zeleného bodu pacientem je detekován typ a některé
parametry okohybné poruchy pacienta.
Dále jsou podrobněji popsány jednotlivé testy nebo úlohy sloužící k diagnostice některých
forem strabismu a jejich transformace do SW podoby. Popis jednotlivých testů a úloh
obsahuje: stručný popis principu, některé současné nevýhody, výhody při transformaci na SW
řešení a další možné přínosy. Uvedené testy nebo úlohy jsou seřazeny podle jednoduchosti a
stručnosti jejich popisu. Princip činnosti je uveden pouze v rozsahu postačujícím pro zde
23
zmíněné účely. I když se může zdokonalení testu a odstranění subjektivních složek zdát jako
vcelku triviální a snadný úkol, tak jde většinou o mnoho hodin strávených s lékaři a pacienty.
Wothova světla
Jde o velmi jednouchý a zcela základní test binokulárního vidění. Tabulka 6.1 uváděla jeho
stručný princip. Výsledek je již z podstaty testu zcela subjektivní ze strany pacienta, což nelze
odstranit. Lékař však svým dotazem, často formou nápovědy, může pacienta velmi ovlivnit.
Zejména při jeho nerozhodnosti. Pacient často ani nezná všechny možné odpovědí, tak se
často přikloní k některé, kterou lékař právě navrhuje. Velký problém nastává v případě velmi
malých dětí, které mnohdy nedokáží zobrazené barvy, natož tvary ani pojmenovat. Někteří
pacienti při opakovaném testu již v podstatě znají odpověď předem. Hlavním cílem bylo tedy
vyloučit dotazy lékaře a umožnit pacientu nezávislé a neovlivněné, záměrně neříkáme
svobodné, rozhodnutí. Obrázek 5.1 uvádí SW verzi tohoto testu.
a)
b)
c)
Obrázek 6.1: Worthova světla: a) testovací scéna, b) textové odpovědi, c) grafické odpovědi pro pacienta.
Nejprve byly nahrazeny původní obrazce jinými a to převážně obrázky pro jejich lepší
identifikovatelnost malými dětmi. Obrazce a umístění barev se při opakování testu mění, což
vylučuje jejich zapamatování. Byl vytvořen textový seznam všech možných odpovědí, který byl
nejprve značným přínosem, ale později se ukázal pro velmi malé pacienty stále nedostatečný.
Z tohoto důvodu byla vytvořena i nabídka grafických odpovědí, která je zatím zcela postačující.
Obrázek 6.1c je pouze ilustrativní. Poloviční bod znamená blikající a malý bod je viditelný
pouze jedním okem.
Časté dotazy lékaře byly odstraněny přepracováním testu a rovněž pacient je zcela informován
o všech možných odpovědích. Pacientovi jsou předloženy všechny možné odpovědi a tudíž je
schopen zvolit tu z jeho pohledu nejvhodnější. Převedením úlohy na SW nástroj se stal test
zcela přístupný i pro velmi malé děti neznající pojmenování barev nebo obrazců s možností
označit odpověď výběrem obrázku. Test je nyní rychle opakovatelný se změnou obrazců a
současně zcela přístupný pro různě tělesně postižené pacienty, kde byl největší problém
se slovním popisem odpovědi.
Nově přidanou hodnotou je nejistota odpovědi pacienta při výběru odpovědi. Nejistotu však
nelze posuzovat exaktně podle časového intervalu. Ten je velmi závislý jednak na typu
poruchy, než si pacient uvědomí, co skutečně viděl a ještě více na věku pacienta. Pacient si ve
většině případů stejně prohlédne všechny obrázky obsahující možné odpovědi, než některý
zvolí. V této úloze je míra nejistoty pacienta stanovena podle zásahu lékaře a to následovně
pouze ve třech stupních:
-
Nízká neboli žádná nejistota – Pacient zvolit odpověď bez slovního zásahu lékaře. Není
ovlivnění lékařem.
24
-
Střední nejistota – Pacient se rozhodoval mezi možnostmi. Zásah lékaře nemusel být.
Velká nejistota – Lékař musel přispět k výběru odpovědi a tím ji mohl i značně ovlivnit.
Zde je zřejmé že „nejistota pacienta“ neznamená přímo čas nebo dokonce výběr nesprávné
odpovědi, ale příspěvek neboli pomoc lékaře k výběru odpovědi pacientem. Pro velmi přibližné
zhodnocení přínosu této SW varianty úlohy, bylo vybráno 12 pacientů a to 6 dospělých a 6 dětí
nízkého věku. Pacienti byli vybráni pouze podle toho, jak se dostavili na vyšetření. Polovina
podstoupila test na původním přístroji a polovina na nové SW verzi. Tabulka 6.2 obsahuje
porovnání času zaokrouhleného na desítky vteřin, potřebného pro získání uspokojivého
výstupu testu z pohledu lékaře. Jde o srovnání původního postupu pomocí slovní iterace
pacienta s lékařem a nového pomocí SW verze této úlohy se seznamem odpovědí.
Tabulka 6.2: Výsledky časové náročnosti původního a SW testu u vybrané skupiny pacientů. Jako 100% je
uvažován čas původního typu testu.
porucha
bez poruchy
bez poruchy
střídaní očí
střídaní očí
nespojuje
nespojuje
pacient
původ. test
SW test
úspora času
dospělí
10s
10s
0%
dítě
20s
10s
50%
dospělí
40s
20s
50%
dítě
80s
30s
62%
dospělí
50s
30s
40%
dítě
130s
60s
54%
Sloupce tabulky označují typy okohybných poruch pacienta ve smyslu: bez poruchy – pacient
netrpí žádnou poruchou, střídaní očí – pacient při sestavování obrazu v mozku střídá vstupy
z jednotlivých očí, nespojuje – pacient při vytváření pohledu používá obraz pouze z jednoho
oka. Dále jsou sloupce obsahující poruchy rozděleny na dospělé pacienty a děti. Řádky obsahují
následující hodnoty:
-
Čas potřebný pro získání odpovědi od pacienta na původním světelném testu.
Čas potřebný pro získání odpovědi od pacienta na novém SW testu.
Úspora času v procentech oproti původnímu testu. Za 100% se považuje čas původního
testu.
Lze tedy konstatovat dosažení převážně polovičního času při použití nové SW verze programu
pro získání odpovědi pacienta. Jedná se však o velmi malý vzorek, ale přesto je tato verze testu
prokazatelně vhodnější a to zejména pro malé děti. Ne vždy však tato nová SW verze musí být
jednoznačně rychlejší. Uvažme naopak zdravého člověka, který si bude se zájmem prohlížet
všechny možnosti obrázkových odpovědí, i když si je hned prvním zcela jist. Jde však o
výjimečný případ a test je určen zejména pro osoby trpící některou poruchou. Celkový výstup
je tedy dán jako součet hodnocení testu VT a současně nejistoty pacienta N:
V = VT + N
Příspěvky k zajištění vyšší objektivizace: měnící se tvary proti zapamatování pacientem,
informovanost pacienta zobrazením všech možných odpovědí pro snadný výběr, minimalizace
vlivu lékaře.
25
Optotypy
Optotypy (například tzv. E znaky) patří rovněž mezi zcela základní ortoptické testy a jsou
určeny pro vyšetření zrakové ostrosti, tzv. visu. Optotypy jsou nástěnné, několika velikostí pro
předem dané vzdálenosti pacienta. Nejčastěji využívané optotypy mají tyto hlavní nevýhody:
-
-
Jsou využívány starší verze optotypů obsahující konstantní mezery mezi znaky a řádky,
namísto moderních s proporcionálním odstupem podle aktuálního znaku a velikosti.
Výstupem je pouze konstatování, zda pacient danou velikost znaků přečetl či nikoli.
Není již zachyceno, s jakou úspěšností četl poslední řádek. Tedy kolik znaků v tomto
řádku. Výsledek je tedy založen na subjektivním hodnocení lékaře, zda řádek uzná či
nikoli.
Není uvedeno, jaké znaky pacient nepřečetl, zda první, prostřední, poslední, oválné
znaky, hranaté znaky, jež mohou velmi vypovídat o typu jeho zrakové poruchy.
Testovací znaky jsou stále stejné a pacienti je mají po delší době již často naučené.
Z tohoto základního testu lze získat skutečně velké množství informací, ale využívá se pouze
nepatrná část. Existují určité SW verze pro test zrakové ostrosti pomocí optotypů, ty ale slouží
v podstatě „pouze“ jako zobrazovací tabule a neobsahují žádné „hodnocení“, natož přídavné
informace. Přitom se jedná o vzorovou metodu pro výpočetní techniku.
a)
b)
c)
Obrázek 6.2: Test pomocí optotypů: a) zobrazené optotipy, b) okamžité hodnocení testu, c) průběžné hodnocení
za určitý časový interval.
Obrázek 6.2 zachycuje SW nástroj pro test zrakové ostrosti pomocí různých typů optotypů
disponující mnoha výhodami oproti v současnosti používaným řešením:
-
-
-
Znaky se při každém testu mění a tím se zabraňuje jejich zapamatování.
Výstupem není pouze hodnocení „viděl“ nebo „neviděl“ daný řádek neboli velikost
znaků. Ale rovněž nejen kolik znaků z příslušného řádku, ale současně o jaké znaky se
jednalo.
Lze tedy nejen hodnotit zrakovou ostrost pacienta, tedy správné vidění, ale rovněž
pozice problémových znaků jako krajní či střední. Tím například usuzovat na
excentrickou fixaci nebo dyslexie. Rovněž lze přímo detekovat tvary problémových
znaků.
Pacient určuje odpovědi zcela sám pomocí speciální klávesnice, vhodné i pro velmi
malé děti při neznalosti písmen nebo znaků. Odpadá rovněž vliv ze strany lékaře
formou dotazů, jako například: „je toto A nebo B?“, „je to skutečně A?“ a další. Lékař
často svým dotazem pacienta nejen ovlivňuje, ale současně znervózňuje. Na druhou
stranu i seznam znaků na speciální klávesnici může být také považován za nápovědu.
26
-
Jelikož pacient určuje odpovědi zcela sám, tak lze velmi dobře měřit jeho jistotu při
volbě odpovědi na každý zobrazený znak pomocí například časových intervalů.
Ze zaznamenaných informací lze detekovat i velmi malá nebo jen částečná zlepšení ze
strany pacienta jako jsou rozpoznání více písmen v určitém řádku a hodnocení tedy
zcela objektivizovat.
Jedná se o příklad testu, jehož převedení do SW podoby poskytuje pouze výhody ve srovnání
s klasickým řešením. Odstraněn vliv lékaře, přidány doplňkové informace a zvýšena
objektivnost. Všechny nově získané hodnoty nejsou v současné době zcela vyžity. Pro jejich
využití jsou často zapotřebí až psychologické znalosti.
Nově získané hodnoty (pouze některé): podrobnější hodnocení výsledků, problémové znaky,
jejich pozice, úspěšnost jednotlivých řádků, nejistota pacienta.
Příspěvky k zajištění vyšší objektivizace: odstraněno zapamatování znaků pacientem, vyšší
informační hodnost (problémové znaky), úplná eliminace vlivu a hodnocení lékařem.
Test na excentrickou fixaci
V testu jde o hodnocení, zda pozorovaný obraz dopadá na nejostřejší místo sítnice oka
pacienta či nikoli. V současné době je velmi často v základním tvaru vykonáván pomocí papíru
a tužky. Vyšetřující nakreslí na papír kříž asi 3cm v průměru a vyzve vyšetřovaného, aby udělal
tužkou tečku neboli bod do středu tohoto kříže, tam kde se osy kříže protínají. Po každé tečce
vytvořené pacientem vyšetřující papírem o určitý úhel pootočí a pacient musí udělat další
tečku do středu kříže. Počet otočení a teček je na uvážení vyšetřujícího.
Nakonec vyšetřující svým zrakem zkontroluje, zda jsou tečky pacienta skutečně ve středu kříže.
Předpokladem je, že lékař tímto postižením sám netrpí. Pokud nejsou tečky ve středu kříže, tak
vyšetřující usoudí na možnou přítomnost excentrické fixace a přepošle pacienta na přesné
vyšetření. V tomto případě může být samozřejmě zkreslen výstup mnoha diagnostických testů
a měření, jež jsou založeny na přesnosti rozlišení obrazu pacientem. Test se vykonává pro obě
oči současně a poté pro každé oko samostatně, kdy druhé oko je vždy zakryto a porovnává se
jejich výstup. Skutečný průběh testu však zcela závislý na vyšetřujícím:
-
-
Velikost nakresleného kříže. Úhel pootočení a počet vyžadovaných bodů.
Malý rozsah posunu papíru po každém bodu, pouze pootočení kolem středu kříže,
pacient často není nucen ani značně pohnout očima. Zkušenost vyšetřovaného
s rozpoznáním výsledku.
Na papíře jsou již zobrazeny předešlé tečky a ty mohou pacienta ovlivňovat. Ten se
snaží novou tečku umístit nejblíže k nim.
A další skutečnosti lišící se lékař od lékaře a pracoviště od pracoviště.
Obrázek 6.3 zachycuje vytvořený SW nástroj na základní detekci excentrické fixace vycházející
z těchto hlavních požadavků:
-
Velikost kříže a bodu je na všech monitorech shodná, avšak nastavitelná.
27
-
-
Krok pro otáčení je vypočten podle počtu bodů a to vztahem 360st lomeno počtem
bodů. Každý bod umístěný pacientem je tedy při jiném, ale zcela jednoznačném
natočení kříže
Pacient je vždy nucen pohnout rukou, neboť kříž se nejen otáčí, ale rovněž uskakuje po
ploše obrazovky. Pacient je v podstatě nucen vždy pohnout očima a případně i hlavou.
Již umístěné body se nezobrazují. Pacient jimi není ovlivňován / inspirován.
a)
b)
c)
d)
Obrázek 6.3: Test na excentrickou fixaci: a) b) průběh testu, c) aktuální hodnocení d) dlouhodobé hodnocení za
určitý časový interval.
V průběhu testu je získáváno a zaznamenáváno mnoho informací, jako jsou: pozice a čas
umístění bodů pacientem, aktuální natočení kříže při umístění bodů, trasa myši pacienta od
předchozího bodu k aktuálnímu a další. Z takto získaných informací se dále určuje:
-
-
Střed shluku bodů umístěných pacientem. Zda se nachází skutečně ve středu kříže a
pacient tedy fixuje správným místem na sítnici oka.
Parametry shluku jako jsou:
o Průměrná vzdálenost bodů od středu shluku – udává rozložení bodů.
o Rozptyl uvnitř shluku – udává kompaktnost shluku, jak jsou body roztroušeny
o Poloměr kružnice obsahující dvě třetiny nejbližších bodů ke středu shluku –
zde nelze uvažovat všechny body umístěné pacientem, neboť nepřesnost jejich
umístění může být velká a některé body mohou být dokonce omyl ze strany
pacienta.
Nestabilita výstupu a nejistota pacienta z dráhy myši a časových intervalů.
Výsledky tohoto testu mohou být využity jako předpoklady pro ověření správnosti výsledků
jiných testů založených rovněž na umístění bodů pacientem nebo využívající ostrost vidění. Jeli fixace správná a jistá tak je předpoklad na správnost výsledků jiných testů. Je-li však fixace
nepřesná, nebo dokonce tzv. bloudivá tak mohou být výsledky dalších testů zatíženy chybou ze
strany pacienta. Výstup tohoto testu může tedy velmi ovlivnit výstupy jiných testů a tím i jejich
vypovídací hodnotu.
Parametry shluku jsou zcela objektivní výstupy a jsou rovněž velmi vhodné pro dlouhodobé
sledování vývoje poruchy, případně její léčby. Jde o zcela porovnatelné číselné údaje, nikterak
nezatížené subjektivním hodnocením vyšetřujícího.
Zcela novým a unikátním přínosem počítačového testu je podáni výstupu neboli výsledku
testu. V zobrazení výsledku jsou přímo zakresleny parametry shluku bodů. Každý zaznamenaný
bod nese své vlastní informace ve formě velikosti a barvy jak zachycuje Obrázek 6.4. Velikost
bodu představuje nestabilitu určování jeho pozice pacientem, menší bod značí stabilnější, a
barva bodu udává nejistotu pacienta, tmavší udává jistější.
28
a)
b)
Obrázek 6.4: Dva reálné výstupy SW testu na excentrickou fixaci: a) neostré vidění (10x opticky zvětšeno), b)
skutečná excentrická fixace (10x opticky zvětšeno).
Z obrázku je patrno několik poznatků. U prvního pacienta Obrázek 6.4a je levé oko poněkud
slabší a pacient tedy fixuje převážně pravým okem, neboť disponuje větší stabilitou. Při použití
obou očí se fixace znatelně zlepší. Podezření na excentrickou fixaci některého z očí není. U
druhého pacienta Obrázek 6.4b je na pravém oku zřetelná excentrická fixace, při pohledu
oběma očima tedy fixuje zejména levé oko.
Nově získané hodnoty: parametry shluku umístěných bodů, nestabilita poruchy a nejistota
pacienta.
Příspěvky k zajištění vyšší objektivizace: stále stejné vstupní podmínky, odstranění vlivu
lékaře, dodatečné parametry, vhodné zobrazení získaných informací pro lékaře.
Test na omezení pohyblivosti jednoho nebo obou očí.
Jedná se o test pro detekci omezení pohyblivosti očí neboli okohybných svalů v základních
pohledových směrech. Původní klasický test je vykonáván převážně ručně, kdy lékař pohybuje
podnětem před zraky vyšetřovaného a současně kontroluje správnost pohybu jeho očí. Jiná
možnost spočívá ve využití mechanického přístroje. V obou případech je však posouzení
pohyblivosti očí zcela na vyšetřujícím.
Pro účely této práce byla vytvořena vhodná SW verze tohoto testu. Při vyšetření má pacient
fixovanou hlavu ve speciální opěrce a na obrazovce velkoplošného monitoru se pohybuje
podnět od středu obrazovky postupně do všech osmi hlavních pohledových směrů: vpravo,
vpravo-nahoru, nahoru, vlevo-nahoru, vlevo, vlevo-dolu, dolu, vpravo-dolu. Vždy od středu
obrazovky v jednom pohledovém směru a poté opět od středu obrazovky v dalším pohledovém
směru. Množství pohledových směru lze nastavit.
a)
b)
c)
d)
Obrázek 6.5: Test na omezení pohyblivosti oka: a) základní využívané pohledové směry, b) aktuální hodnocení
testu, c) speciální grafické hodnocení za delší časový interval, d) dlouhodobé hodnocení čárovým grafem.
29
Lze uskutečnit dva odlišné testy:
1) Test pohyblivosti oka. Pacient sleduje pohybující se podnět pouze pohybem oka
s fixovanou hlavou, tak aby zobrazený pohybující se podnět stále držel ve středu osy
oka. Když již pacient usoudí svým subjektivním dojmem, že není schopen okem
pohybovat tak, aby měl podnět ve středu zorného pole, stiskne tlačítko. Výstup
informuje o maximálních úhlech, do kterých je pacient ještě schopen sledovat podnět
tak, aby jej udržel ve středu osy oka, tj. místě nejostřejšího vidění. Při větším úhlu již
pacient vidí podnět pouze periferně.
2) Test zorného pole oka. Pacient se dívá stále do středu obrazovky a sleduje pohybující
se podnět pouze periferně. Když již pacient podnět „skutečně“ nevidí, je mimo jeho
zorné pole, tak stiskne tlačítko. Výstupem jsou maximální úhly, které jsou pro pacienta
periferně ještě dosažitelné.
Výsledek tohoto testu může například velmi ovlivnit průběh testu pomocí Hessova plátna a
tudíž jeho vypovídací hodnotu. Pokud pacient při vyšetření na Hesově plátně některý podnět
skutečně nevidí, tak lze na základě omezeného zorného pole rozhodnout, zda jej skutečně
nevidí nebo je pro pacienta mimo zobrazovací plochu.
Zcela novým a unikátním přínosem nového SW řešení tohoto testu je podání výsledného
hodnocení za určité časové období. Hodnocení rovněž obsahuje nestabilitu poruchy pacienta.
a)
b)
Obrázek 6.6: Příklady hodnocení rozsahu pohybu oka za určité časové období a jeho nestabilita.
Obrázek 6.6 představuje možnost komplexního a přehledného hodnocení změny rozsahu
pohyblivosti oka za určité časové období, pomocí vhodného zobrazení výstupů několika testů
současně. Jako nejvhodnější se osvědčila následující metoda. Starší záznam je zobrazen pomocí
širší a světlejší čáry. Naopak novější záznam je zobrazen pomocí užší a tmavší čáry. Odstín a
šířka čáry je stanovena automaticky podle počtu zobrazovaných záznamů. V takto vytvořeném
hromadném zobrazení lze vždy snadno rozeznat, který záznam je novější tedy tmavší a užší a
který starší tedy světlejší a širší. V žádném případě nedojde k překrytí staršího záznamu
novějším, a to ani při zcela stejných výstupních hodnotách. Černá barva reprezentuje rozsah
pohybu oka pacienta v příslušném směru a červenou barvou je indikován rozsah nestability
poruchy pacienta. Signalizace omezení pohyblivosti oka je rovněž korigována podle získaných
parametrů pacienta.
Celková průměrná nestabilita NN opakovaného záznamu je definována jako součet všech
dílčích nestabilit NI v jednotlivých směrech dělený počtem použitých směrů Ucount. Dílčí
nestabilita je dána rozdílem největší Umax a nejmenší hodnoty Umin úhlu pro konkrétní směr.
30
NN = ∑ NI / Ucount = ∑ (Umax - Umin) / Ucount
V některých případech je vhodné detekovat nestabilitu poruchy pacienta pro každý pohledový
směr samostatně. Nejistotu pacienta v tomto testu v podstatě nelze definovat.
Příspěvky k zajištění vyšší objektivizace: úhly omezení směru udává pacient nikoli lékař,
korekce základních parametrů pacienta, vhodné zobrazení pro posouzení vývoje stavu.
Měření zejména šířky fuze obou očí
K tomuto účelu je využíván přístroj nazývaný „stereoskop“. Pacient každým okem odděleně
pozoruje stejné nebo poněkud odlišné obrazce, kterými lékař pohybuje podle potřeby
vodorovně, svisle, otáčivě.
Při měření souběhu očí jde o mnohonásobnou iteraci pacient <-> vyšetřující. Vyšetřující
pohybuje obrázky tak, aby je pacient viděl skutečně správně přes sebe. Spojil tedy obrazy
z obou očí do jednoho zrakového vjemu.
-
-
-
Přístroj nastavuje lékař podle slov pacienta, nikoli pacient sám podle svého vjemu,
což může vnášet velkou nepřesnost do výsledku, zejména z nejednoznačného
vyjadřování pacienta.
Po několika iteracích může být pacient i lékař nervózní a test je nevhodně směrován
k cíli. Pokud pacient nepochopí test správně, nebo lékař pacientovi odpovědi je test
nepřesný.
Při tomto testu záleží současně na zkušenostech lékaře jak, výsledek interpretuje.
Při testu šířky fuze jsou obrazce nejprve ve výchozí nulové pozici, tedy ve středu a přes sebe.
Poté lékař nastavováním přístroje pohybuje obrazci od sebe a to nejprve jedním a poté
druhým směrem:
-
Pacient indikuje rozpojení obrázků. Obrázky vidí již jako dva a nikoli pouze jako jeden.
Lékař zapisuje dosažené úhly.
Na původním mechanickém přístroji lze vykonávat pouze omezený počet kol tohoto
testu. Nastavování přístroje není zrovna jednoduché.
Cvičení fuze na přístroji je náročné i na čas, zejména nastavování přístroje. Přístroj je
využíván hlavně pro měření a pouze ve velmi omezené míře pro cvičení.
a)
b)
c)
Obrázek 6.7: SW test fuze: a) b) obrazec nastavovaný pacientem, c) hodnocení za určitý časový interval.
31
Test souběhu obou očí byl částečně převeden do SW podoby, kdy sám pacient pomocí
vhodných tlačítek nastavuje pozice obrázků nebo jejich částí, tak aby je oba viděl správně ze
svého pohledu. Scéna je pro pacienta rozdělena pomocí červeno-zelených brýlí. Výstupní
hodnoty jsou odečteny přímo z polohy obrazce nastaveného pacientem. Toto řešení přináší
množství výhod:
-
Pacient sám nastavuje polohu obrazců zcela podle vlastního uvážení a vjemu. Zcela
odpadá iterace přes lékaře a současně tedy jeho vliv na výsledek.
Test je mnohem rychlejší a objektivnější. I když jde ve skutečnosti o subjektivní úlohu.
Pacient je rovněž mnohem klidnější. Výstup testu je tedy mnohem přesnější a
spolehlivější.
Z nastavování výstupu přímo pacientem jsou vyvozeny další informace. Nestabilita poruchy
pacienta udává, zda pacient nastavil výstup jednoznačným pohybem do cílové polohy, nebo
cílovou polohu hledal. Nejistota pacienta udává, zda po posledním pohybu obrazcem pacient
test téměř okamžitě ukončil nebo se před potvrzením výstupu ještě nějaký čas rozhodoval.
Rovněž test šířky fuze byl vytvořen v SW podobě s následujícími výhodami:
-
-
-
Obrazce se posunují zcela automaticky od střední nulové výchozí polohy směrem ke
krajním pozicím. Pacient při rozdvojení obrazců pouze stiskne tlačítko, dosažený úhel
se zaznamená a proces se automaticky opakuje. Takto lze vykonat i mnoho-násobné
opakované měření.
Subjektivní chyba lékaře při zastavení pohybu a čtení hodnot na stupnici je zcela
odstraněna. Výsledek je pouze ze subjektivního vjemu pacienta, na kterém je přístroj
v podstatě založen.
Lze průběžně hodnotit úspěšnost. Výsledky lze dlouhodobě porovnávat.
Lze vytvořit i velmi adaptivní trénink, kdy úhel rozestupu obrazců je postupně
automatiky zvětšován. Když již pacient indikuje rozdvojení obrazců, tak SW nástroj
skokově sníží úhel jejich rozestupu a bude jej postupně opět zvyšovat, ale již s menším
krokem. Jedná se tedy o adaptivní a částečně učící se tréninkový SW nástroj.
Nově přidané hodnoty: nestabilita a nejistota pacienta.
Příspěvky k zajištění vyšší objektivizace: výstup nastavuje pacient nikoli lékař, výstupní
hodnoty jsou vypočteny nikoli odečteny lékařem.
Informační test zorného / periferního pole - Perimetr
Nejedná se sice přímo o základní nástroj používaný při vyšetření, ale v mnoha případech je
jeho výstup velmi vhodný pro posouzení správnosti výstupů jiných testů.
Princip přístroje spočívá v zobrazování stimulačních podnětů ve formě záblesků nejčastěji na
vnitřek kulové plochy. Pacient se dívá pouze do středu na určitou značku, nehýbe očima a
stiskem tlačítka signalizuje zda, záblesk na příslušném místě periferně spatřil. Existující přístroje
jsou jak mechanicky, tak elektronicky velmi přesné. V mnoha případech až příliš. Jsou však
rovněž bohužel nastaveny na určitou danou rychlost průběhu testu a velikost záblesků (čas,
intenzita atd.) Pro mnoho pacientů s vážnější poruchou zorného pole není snadné tento test
32
uskutečnit. Pro malé děti nebo handicapované občany je již zcela nedostupný. Jeho hlavní
nevýhody jsou následující:
-
-
Příliš velká rychlost průběhu testu. Mnoho pacientů ani nezvládá stisknout tlačítko po
zobrazení podnětu (do zobrazení následujícího na nové pozici). Pacient často stiskne
tlačítko mnohem později a tím v podstatě signalizuje již zcela jinou pozici podnětu.
Velmi krátká doba zobrazení podnětu a často i o malé intenzitě. Dáno v podstatě
určitých standardem, ale pro zdravé jedince.
Nemožnost využít libovolné vstupní zařízení například pro handicapované pacienty.
a)
b)
Obrázek 6.8: SW podoba testu zorného pole: a) základní obrazovka, b) příklad aktuálního hodnocení testu.
Z těchto důvodů byla vytvořena SW verze tohoto testu. Ta si však v žádném případě neklade za
cíl zcela nahradit přesné komerční přístroje, ale zpřístupnit tento test větší cílové skupině
pacientů. Před aplikací tohoto testu musí být podstoupeny některé úvodní před-testy pro
detekci parametrů pacienta a podle nich je upraven průběh vlastního testu zorného pole.
Poté již na jednu stranu samozřejmě průběh testu není standardní a porovnatelný s dalšími
pacienty. Na druhou stranu je však dostupný a zejména vhodně vypovídající pro větší množství
pacientů a to bylo jeho hlavním cílem. V mnoha případech je snaha obdržet alespoň nějaký
(avšak hodnotný) výsledek než žádný. V případě poněkud starší handicapované pacienty
původní test nepodat buď žádné, nebo zcela zkreslené výsledky. Nově vytvořený test však
poskytuje velmi hodnotné výsledky, avšak úměrné ke stavu pacienta.
Příspěvky k zajištění vyšší objektivizace: přizpůsobení testu parametrům pacienta.
Hessovo plátno
Princip testu spočívá ve využití červeno-zelených brýlí, jimiž dojde k rozdělení zobrazené scény
samostatně do levého a pravého oka, obdobně jako ve 3D kině, ale mnohem levnějším a
jednodušším způsobem. Oko, před kterým je umístěn červený filtr, tedy červené sklo brýlí
vnímá pouze červeně zobrazený bod a oko před kterým je umístěn zelený filtr vnímá pouze
zeleně zobrazený bod. Plocha původního Hessova plátna je složena z osmi červených
stimulačních světelných bodů umístěných do čtverce a devátého bodu uprostřed, které
vyšetřující postupně rozsvěcí. Vždy však pouze jeden. Pacient drží v ruce ukazovátko, na jehož
konci svítí zelené světýlko. Úkolem pacienta je umístit jeho zelené světýlko na ukazovátku,
viděné jedním okem na pozici červeného stimulačního světýlka, viděné druhým okem. Pozici,
kterou pacient označí, vyšetřující zaznamená do předkresleného formuláře.
33
a)
b)
Obrázek 6.9: Záznamy pořízené při vyšetření na Hessově plátně od dvou různých pacientů. Každý záznam
obsahuje vždy dva obrazce a to pro levé a pravé oko.
Vyšetřující tedy postupně rozsvěcuje každý ze všech dostupných bodů, pacient určuje jejich
pozice viděné druhým okem a ty jsou zaznamenávány do předkresleného formuláře, jak
zachycuje Obrázek 6.9. Pacient tedy jedním okem fixuje červený podnět a druhým okem vidí
zelené světýlko na svém pohybujícím se ukazovátku a snaží se jej umístit na pozici červeného
podnětu. Odchylka obou bodů udává odchylku pohledu obou očí. Ve druhé fázi testu se
červeno-zelené brýle otočí, příslušný filtr na druhé oko a test se opakuje. Pacient nyní fixuje
druhým okem červený podnět a prvním okem vidí zelené světýlko na svém pohyblivém
ukazovátku. Oko, před kterým je červený filtr, je oko fixující a oko před kterým je zelený filtr je
oko vyšetřované. Toto je doporučení používané lékaři. V průběhu celého testu má pacient
fixovanou hlavu ve speciální opěrce a scénu sleduje pouze s pohybem očí. Zmíněný přístroj
neobsahuje pouze jeden čtverec stimulačních bodů, ale dva. A to menší s body od středu
vzdáleny nejčastěji 15 stupňů a větší s body od středu vzdáleny nejčastěji 30 stupňů z pohledu
pacienta. V průběhu vyšetření jsou většinou použity oba čtverce postupně.
Jedná se o jeden z hlavních přístrojů neboli pomůcek při vyšetření za účelem stanovení přesné
diagnózy pacienta. Pacienti se často posílají do ordinací, které jsou tímto testem vybaveny.
V současné době je již obtížně dostupný pro jeho nepříznivou cenu a nemalé rozměry.
Pracoviště si jej často nemohou z finančních a prostorových důvodů dovolit. Existuje několik
variant lišících se rozestupem stimulačních bodů (odstup bodů v ose X a Y je 10 nebo 15
stupňů). Ne všichni vyšetřující lékaři však používají zcela stejný postup vyšetření a proto se
výsledky mohu poněkud lišit. Do výstupu je zahrnut subjektivní odhad vyšetřujícího při
záznamu pozic udaných pacientem.
Původní přistroj, stále často používaný v současných ordinacích, je vytvořen pomocí černého
panelu, v němž jsou umístěny červené světelné body. Pacient pomocí ukazovátka se zeleným
světlem udává pozici, na které vidí červený podnět. Vyšetřující často používá špendlík pro
vyznačení pozice udané pacientem a teprve po celém vyšetření zaznamená pozice označené
pacientem do příslušného formuláře. Při vyšetření je pacient ve vzdálenosti 50cm od panelu.
Vlastní měření obsahuje množství nedostatků:
-
-
Použité červeno-zelené brýle nejsou vždy barevně sladěny s přístrojem. Světýlka tedy
často pronikají i do druhého oka a matou pacienta. Pacient poté nevidí příslušným
okem pouze jeden světelný bod, ale dva body. Tedy nejen bod správné barvy, ale
současně i nedokonale odfiltrovaný bod druhé barvy, který je určen pouze pro druhé
oko. Toto pacienta často velmi mate a ten poté neví, jaké dva body má překrýt.
Na některých verzích přístrojů nedostatečné okolní zatemnění způsobuje odlesky
okolního světla v nerozsvícených stimulačních bodech a ty poté pacient vnímá jako
polo-rozsvícené stimulační body a považuje je za svítící. Pacientova zraková ostrost
nemusí být vždy dobrá.
34
-
-
-
-
-
Při manipulaci s ukazovátkem, zejména u starších pacientů dochází k „zaclonění“
stimulačního červeného podnětu tyčkou neboli držátkem tvořícím ukazovátko.
V tomto okamžiku pacient stimulační podnět skutečně nevidí, neboť je zakryt některou
mechanickou částí ukazovátka, nikoliv koncových zeleným světýlkem a pacient tento
stav hodnotí jako dosažení požadovaného cíle. Zde záleží pouze na všímavosti a
zkušenostech vyšetřujícího, aby tuto situaci včas rozpoznal a pacienta opravil. Některá
vyšetření jsou takto nechtěně zkreslena.
Zelené světýlko na konci ukazovátka pacienta není bodové, ale protáhlé tvarem. Tím
dochází k nepřesnosti určení pozice. Někteří lékaři požadují překrytí světýlek, jiní
pouze umístění do těsné blízkosti. Výstup testu nemusí být tedy vždy zcela stejný.
Občas je i nepříjemný třes ruky pacienta, jelikož držení ukazovátka unavuje zejména
starší pacienty. Tím se vytváří více nepřesné určení pozice na Hessově plátně.
Odbornost vyšetřujícího zde hraje velkou roli. Vždy je třeba pacientovi dobře vysvětlit
princip a postup testu a rovněž na jeho průběh pečlivě dohlížet.
Uskutečňuje se pouze jedno kolo vyšetření nikoli vice pro možnost posouzení
správnosti výsledků například pomocí průměrování a zejména hlavně detekci
„přehmatů“ pacienta, například již zmíněném zaclonění. Pokud pacient ne zcela
správně pochopí princip testu nebo je zmaten některým odleskem, tak je tato
nepřesnost zcela zahrnuta do výsledku testu.
Velká nepřesnost může rovněž vzniknout při subjektivním zakreslováním pozic
lékařem do připraveného formuláře. Hessovo plátno je o rozměrech zhruba 1x1m a
formulář zhruba 10x10cm. Zmenšení nemusí být vyšetřovaným vždy odhadnuto
správně, i když formulář obsahuje předkreslenou mřížku, která však není lineární.
Nepřesnost vzniká při označení pozice pacientem, v okamžiku označení pozice pacienta
špendlíkem od lékaře a poté při přepisu pozice do formuláře lékařem.
Celková chyba = chyba pacienta (nepřesně udaná pozice) + chyba určení polohy
lékařem (označení místa špendlíkem) + chyba výsledného záznamu (přepis pozic do
formuláře). Zatím se výstup nikterak nevyužívá pro další například počítačové
zpracování, tudíž tato nedokonalost nebyla limitující.
Existuje, těžko říci zda, „vylepšená“ varianta Hessova plátna. Rozhodně se jedná o modernější
řešení, ale jeho přínos je diskutabilní. V tomto případě jde o nástěnné, často rolovací plátno.
Vyšetřující používá červeně svítící ukazovátko a pacient používá zeleně svítící ukazovátko, kdy
pomocí nich jsou promítány barevné body na vzdálené plátno. Vyšetřující svojí červenou
svítilnou udává pozici stimulačního bodu a pacient svojí zelenou svítilnou indikuje pozici, kde
vidí červený bod. Při vyšetření je použita větší vzdálenost než v předchozím řešení. I přes,
možná zdánlivou inovaci je přítomno mnoho nežádoucích vlivů:
-
Mnohem více náchylné na okolní osvětlení. Při nevhodné viditelnosti ze strany
pacienta velmi nepřesné.
S větší vzdáleností se více projevuje třes ruky. Zde však bohužel i vyšetřujícího. Plátno
zaujímá větší místo než v předchozí verzi i když může být srolovací jako žaluzie.
Těžší podmínky při záznamu pozic pacienta do formuláře. Nelze využít postup se
špendlíky jako v předchozí verzi. Při velkém světle nejsou zřetelná barevná světýlka na
35
-
plátně a při zatemnění je obtížné zapisovat pozice udané pacientem do formuláře.
Tato verze přístroje není mezi vyšetřujícími oblíbena.
Celková chyba = chyba pacienta (nepřesně udaná pozice, větší) + chyba určení polohy
lékařem (na vzdálenost, větší) + chyba výsledného záznamu (podle použité techniky).
Existují i SW neboli počítačové verze tohoto testu. Ty jsou však vytvořeny pro použití na
běžných menších monitorech s rozměrem zhruba 20 palců, kde je pro pacienta nedostatečný
rozsah pohledového úhlu. Tento nedostatek se často kompenzuje menší vzdáleností pacienta
například pouze 20cm, což však může podávat i velmi odlišné výsledky, protože jde o jinou
akomodační vzdálenost. Existují však i verze pro větší monitory. Ve všech případech se však
jedná pouze o prostý převod původního řešení do počítačové podoby, jenž vyniká pouze
přesnějším záznamem pozic pacienta a možností přímého tisku výsledků. Nejsou tedy přidány
žádné schopnosti nebo dodatečné výstupní informace. Pouze jsou odstraněny některé
nedokonalosti předchozích řešení jako například: chyba vyšetřujícího při záznamu pozic
označených pacientem; závislost na okolním osvětlení; nesoulad barvy bodů podle použitých
červeno-zelených brýlí.
Při vyšetřování pacientů na klasickém Hessově plátně byl odhalen zajímavý poznatek, jenž
může vnést do výstupu i velmi podstatnou chybu. V některých případech je výsledek testu
značně závislí na skutečnosti, zda jsou stimulační body rozsvěcovány vždy okamžitě po sobě,
tedy bez časové prodlevy nebo je znatelný časový interval mezi zhasnutím předchozího a
rozsvícením následujícího stimulačního bodu. Tento jev se však projevuje pouze u velmi
malého množství pacientů, zato celkem podstatně. Po důkladném zvážení byla tato skutečnost
vysvětlena následovně:
-
-
-
-
Pokud není znatelný interval mezi zhasnutím předešlého a rozsvícením následujícího
podnětu, tak pacientovi očí jsou stále stejně namáhány a jejich odchylka se tedy
projevuje stále stejně.
Pokud je však tento interval zhasnutí znatelný, tak dojde u pacienta k odpočinku očí,
případně i zrušení fixace, a v okamžiku rozsvícení dalšího podnětu je pacientův výchozí
stav poněkud jiný.
Byl však zaznamenán i další zajímavý případ. Při velkém časovém intervalu mezi
rozsvícenými podněty, byl pacient vyzván, aby určil pozici podnětu, ještě než byl
podnět skutečně rozsvícen. V tomto okamžiku pacient směroval svůj zrak po plátně a
snažil se najít ještě neexistující podnět. Namáhal své oči a v okamžiku skutečného
rozsvícení podnětu byly opět zcela jiné počáteční podmínky pacienta a ten určil zcela
jinou pozici na plátně, než když byl o označení pozice podnětu požádán teprve až po
jeho rozsvícení. Počáteční podmínky tedy u některých pacientů velmi ovlivňují výsledky
testu. Toto však z časových důvodů nelze otestovat u každého pacienta.
Z tohoto důvodu mohou vnikat i značně rozdílné výsledky u stejného pacienta
v závislosti na technice a postupu, který konkrétní vyšetřující používá.
36
a)
b)
c)
Obrázek 6.10: Vytvořená SW varianta Hessova testu: a) základní pozice stimulačních bodů, b) c) příklady výstupů
od dvou reálných pacientů.
Obrázek 6.10 zachycuje novou SW verzi Hessova plátna odstraňující velké množství dříve
popsaných nedostatků. Některé nedostatky původních SW řešení se ani neuváděly a vyplynuly
teprve při vytváření a zejména používání tohoto nového řešení. Toto nové řešení rovněž
poskytuje mnohem více parametrů než předchozí verze:
-
-
-
-
Pozice pacienta jsou zaznamenávány jako v předchozí zmíněné SW verzi, tedy
dostatečně přesně. „Nekonečně velká přesnost“ není podmínkou neboť červený
podnět a zelené světýlko pacienta může být přes použité barevné brýle vidět poněkud
nepřesně a někdy až rozmazaně. Znalost absolutní přesnosti umístěných bodů není
tedy hlavním cílem.
Lze zaznamenat i body umístěné mimo plochu. V některých případech je odchylka očí
pacienta tak značná, že pacient udává bod mimo plochu obrazovky nebo jej dokonce
nevidí. Například z důvodu omezeného zorného pole. I v tomto případě lze umístěním
bodu pacienta do speciálního okrajového pruhu, tuto skutečnost signalizovat a poté
vyhodnocovat.
Lze nastavit, zda se stimulační body zobrazují bez časové prodlevy nebo je vytvářena
zadaná časová prodleva. Takto lze sledovat a detekovat zda jsou reakce pacienta
konstantní nebo se mění.
Třes ruky pacienta je velmi minimalizován. Ruka pacienta je položena na počítačové
myši a jeho zápěstí se opírá pevně o desku stolu. Pohyb ukazatele pacienta je rovněž
vhodně průměrován. Únava pacienta z držení libovolného předmětu jako například
ukazovátka je buď minimalizována, nebo dokonce zcela odstraněna.
Po určitém čase používání tohoto vylepšeného řešení byly získány další zdokonalující poznatky:
-
-
Někdy pacient omylem klikne na tlačítko myší (nechtěný pohyb rukou / prstu) a tím
označí nežádoucí pozici. Tuto nepříjemnou situaci lze eliminovat dvěma způsoby. Za
prvé, vyšetřující může vrátit stav vyšetření o jeden stimulační bod zpět, aby jej mohl
pacient opět označit a tedy správně. Pokud však tuto skutečnost pacient včas oznámí,
nebo vyšetřující včas rozpozná. Za druhé, celkové vyšetření je vykonáno třikrát, aby
byla možnost detekovat, zda jsou všechny výstupy shodné. Pokud je některý ze tří
výstupů značně rozdílný, tak lze velmi snadno detekovat nahodilou chybu.
Pacienti si již při několikátém vyšetření, například každý týden velmi osvojili
posloupnost, s jakou jsou stimulační body zobrazovány a již automaticky posunovaly
své zelené světélko na novou, neboli budoucí pozici. Vyšetření se poté stávalo hrou na
rychlost. Z tohoto důvodu je každé ze tří kol poněkud odlišné:
37
o
-
V první kole se stimulační body zobrazují původním stylem, nejprve středový a
poté od pravého proti směru hodinových ručiček. Nejprve vnitřní a poté vnější
čtverec.
o Ve druhém kole jsou stimulační body zobrazovány ve směru paprsků
vycházejících od středového bodu. Tedy bod vnitřního čtverce a potom bod
vnějšího čtverce. Rovněž proti směru hodinových ručiček. Středový bod je však
zobrazen pouze jednou.
o Ve třetím posledním kole jsou stimulační body zobrazovány zcela náhodně.
V případě mechanického přístroje (plátno s ukazovátkem) docházelo k zaclonění
stimulačního bodu například mechanickou částí ukazovátka. Při SW řešení vznikala
obdobná situace, kdy zelený bod pacienta umístěný v popředí zcela překryl červený
stimulační bod umístěný graficky v pozadí. V první fázi byl nastaven bod pacient na
menší velikost, aby k této skutečnosti nedocházelo. Nastal však další problém, kdy při
překrytí červeného stimulačního bodu zeleným bodem pacienta vznikl na červeném
bodu v podstatě stín. Část plochy červeného bodu byla překryta zeleným bodem a ta
byla pro oko s červeným filtrem neviditelná a jevila se tedy jako stín neboli díra v
červeném stimulačním bodě. Někteří „chytří“ pacienti této skutečnosti zneužívali.
Zjistili tedy, že při přejezdu zeleného bodu přes červený bod vznikne na červeném
bodu zmíněný stín a podle tohoto rozpoznali, že oba body umístili skutečně přes sebe.
I když jejich oči v tomto okamžiku každý z bodů viděli zcela na jiném místě. Takto jsou
body skutečně přes sebe v reálném světě, nikoli však zcela určitě z pohledu pacienta.
Tento výsledek je samozřejmě přímo nežádoucí, ale velmi těžko odhalitelný i pro
pozorného lékaře. Tato nedokonalost byla odstraněna teprve vytvořením speciálního
stimulačního červeného bodu a pacientova zeleného bodu, tak, aby se vhodně
prolínaly, ale nikdy nepřekrývaly.
Ve všech původních řešení nejsou ve výstupu žádné informace o nestabilitě poruchy nebo
nejistotě pacienta při umísťování pozic bodů. Výsledný obrazec, tedy záznam ve formuláři, je
zcela statický a to dokonce tvořen pouze jedním testem. V nově vylepšeném verzi je test
opakován třikrát a lze jejich pouhým vizuálním porovnáním ohodnotit věrohodnost výstupu.
Pozorováním několika pacientů byly detekovány dva poměrně rozdílné, až krajní případy:
-
-
Pacient nějaký čas před potvrzením pozice bodu pohyboval myší většinou ve
vodorovném směru i několik centimetrů. Buď ústně oznamoval, že se mu stimulační
podnět pohybuje a tudíž jej nemůže přesně lokalizovat, nebo prostě mlčky po určitém
čase vybral některou polohu pohybujícího se stimulačního bodu a tu potvrdil.
Například protože již byl unaven nebo znechucen. I když se pacient snažil, tak
v podstatě nemohl dlouhodobě překrýt body přes sebe, protože porucha pacienta byla
značně nestabilní.
Pacient celkem rychlým pohybem umístit svůj bod na cílovou pozici, případně s ním
neznatelně za-pohyboval, ale potřeboval určitý již znatelný čas na potvrzení této
pozice. Potřeboval například zaostřit, aby si byl jist nastavenou pozicí.
38
Z tohoto důvodu byly mezi zaznamenávaná data přidány následující informace: časy kdy byly
jednotlivé body skutečně označeny a celkový záznam pohybu myši (dráha a časy) při přechodu
z jednoho bodu na druhý. Z těchto přidaných informací lze vyhodnotit:
-
-
Nestabilita poruchy pacienta – Určuje jak je porucha nestabilní v čase testu. Detekuje
se z pohybu ukazatele myši pacienta před skutečným umístěním bodu. Tento parametr
je vypočten zpětně až po umístění bodu a to z jeho okolí.
Nejistota pacienta – Určuje jak si je pacient jist při označení pozice bodu. Čas mezi
posledním znatelným pohybem myši a potvrzením bodu. Tento parametr je vypočten
zpětně až po umístění bodu a to z jeho okolí.
O využití výstupu Hessova plátna bude podrobněji pojednáno rovněž v dalších kapitolách.
Nově přidané hodnoty k hodnocení: nestabilita poruchy a nejistota pacienta.
Příspěvky k zajištění vyšší objektivizace: úplné odstranění vlivu lékaře, tříkolový záznam
Pomocí této nové verze Hessova plátna lze získat některé dodatečné informace a tím doplnit
výstup tohoto testu. Původní obrazec vyšetření na Hessově plátně udával pouze pozice bodů
umístěné pacientem a neobsahoval žádné další informace jako například o nestabilitě poruchy
nebo nejistotě pacienta. Rovněž neobsahoval žádné znatelné a na první pohled zřejmé
informace o deformaci výsledného obrazce. Deformace obrazce byla detekována až lékařem a
to pouze vizuálně. Záznam obrazce z Hessova plátna byl tedy doplněn o tyto nové informace:
-
-
-
-
Hrana obrazce, jenž má správnou délku, tedy srovnatelnou se stimulačním neboli
originálním obrazcem je vyznačena středně tlustou zelenou čarou. Hrana, jejíž délka je
delší, než hrana originálního obrazce je vyznačena tenkou čarou a naopak kratší hrana
je vyznačena tlustou čarou. Takto lze na první pohled detekovat, jakou mají hrany
obrazce délku oproti svému originálu.
Strana, jenž má správný směr, tedy srovnatelný s originálním obrazcem je zobrazena
tmavě zelenou barvou. Pokud je směr strany odlišný od originálního obrazce, tak je
zobrazena světlejší barvou.
Velikost a tvar bodu pacienta udávají nestabilitu poruchy při testu. Pokud je bod
plochou malý, tak jeho umístění ve všech třech vykonaných testech bylo téměř shodné
a pacient jej umístit v podstatě přímým pohybem do cílové pozice. Je-li plocha bodu
větší, tak jeho tvar přibližně udává rozdíl umístění bodů v jednotlivých kolech testu a
současně, jak pacient pohyboval myší, než bod skutečně označil. Tvar bodu tedy udává
obecný rozměr nestability poruchy pacienta. Většinou se jedná o oválný tvar protáhlý
v horizontálním směru.
Barva bodu od tmavě zelené do světle zelené udává nejistotu pacienta při umístění
bodu. Tmavší barva značí pozice, kde si byl pacient jist. Pacient po nastavení cílové
pozice bod potvrdil v podstatě okamžitě. Světlejší barva udává naopak pozice, kde si
pacient nebyl jist. Pacient po nastavení cílové pozice určitý čas váhal, než bod skutečně
potvrdil.
39
a)
b)
Obrázek 6.11: Ukázka výstupu vyšetření Hessova plátna pomocí SW verze testu od dvou pacientů a), b).
a)
b)
Obrázek 6.12: Zobrazení deformace, nejistoty a nestability pacienta na dvou výstupech Hessova plátna a), b).
Obrázek 6.11 obsahuje reálné výstupy dvou pacientů z testu Hessova plátna. Každý test byl
vykonán tři krát okamžitě po sobě. S použitím těchto výstupů je vytvořen Obrázek 6.12 graficky
zachycující některé přídavné výstupní parametry. Tloušťka a světlost jednotlivých čár
představující hrany, udává jejich velikost a směr vzhledem k originálnímu obrazci. Plocha bodu
indikuje nestabilitu poruchy pacienta a světlost barvy bodů signalizuje nejistotu pacienta.
Stále jsou průběžně vytvářeny další diagnostické úlohy. V současné době však nebyly ověřeny
na dostatečném množství pacientů pro zhodnocení jejich objektivního přínosu.
6.1 Zcela nové experimentální úlohy
Při řešení některých problémů diagnostiky strabismu byly experimentálně vytvořeny zcela
originální SW nástroje neboli testy, které dosud neexistují. Jde zejména o tyto:
-
A) Spojení testu pro omezení pohyblivosti oka a Hessova plátna pro zpřesnění
detekce odchylky os obou očí nejen v různých pohledových směrech.
B) Automatická detekce nejen nesprávného souběhu obou očí, ale současně i
nesprávného pootočení očních os.
C) Automatická detekce parametrů pacienta přímo z jeho očních pohybů, například
omezení pohyblivosti oka.
Jde však o zcela unikátní a experimentální úlohy, které zatím nebylo možno otestovat na
dostatečném množství pacientů. Z tohoto důvodu je uveden pouze jejich základní popis, neboť
se stále vyvíjejí.
A) První test umožňuje detekovat, jak se mění odchylka obou očí nejen v různých pohledových
směrech, ale současně i v závislosti na velikost úhlu v tomto směru, nebo dokonce jak jsou obě
oči vůči sobě posunuty horizontálně nebo vertikálně.
40
a)
b)
Obrázek 6.13: Nově vzniklý test pro detekci souběhu obou očí v horizontálním nebo vertikálním směru: a) výstup
vytvořený pacientem, b) jeho grafické hodnocení pro lékaře.
Podstatou testu je rozdělení zobrazované scény pomocí červeno-zelených brýlí jako v případě
Hessova plátna. Při vyšetření horizontálního souběhu obou očí je barevný obrazec rozdělen
horizontálně a při vyšetření vertikálního souběhu je rozdělen vertikálně. Je poskytováno
množství různých obrazců. Obrázek 6.13a zachycuje příklad výstupu tohoto testu vytvořeného
pacientem. Při vlastním testu je automaticky umisťována červená stimulační část obrazce a
pacient k ní umisťuje svoji zelenou část. Pohledové směry a požadovaný krok lze nastavit podle
potřeby. Prototypový unikátní grafický výstup Obrázek 6.13b uvádí hodnocení tohoto testu.
Zelená barva v hodnocení indikuje vodorovný posun jednotlivých částí obrazce a červená jejich
vertikální posun. Lze tedy snadno hodnotit, že horizontální posun je přítomen pouze při
pohledu vpravo a vertikální vzhůru. Pro některé případy je výstup tohoto testu více vypovídající
než výstup Hessova plátna. Sytost barvy současně indikuje nejistotu pacienta. Světlejší
znamená větší nejistotu a tmavší naopak. Je zřejmé, že pacient si při testu nebyl příliš jist.
Takovýto grafický výstup obsahuje velké množství informací současně a lze z něj tedy rovněž
získat velké množství podkladů pro stanovení diagnózy lékařem. Test doposud podstoupil
pouze omezený počet pacientů, neboť je vcelku časově náročný a zatím tedy poněkud
nevhodný pro děti.
B) Druhý test představuje SW program rovněž hodnotící souběh obou očí, ale poněkud jiným
způsobem. Na rozdíl od předešlého není zaměřen na množství získaných informací, ale na
přesné získání jedné konkrétní informace.
a)
b)
Obrázek 6.14: Další test pro měření souběhu očí: a) obkreslený obrazec pacientem, b) matematické vyhodnocení
pozice a pootočení obrazce nakresleného pacientem.
Jde o test hodnotící nejen rozestup os obou očí v základním postavení, ale současně i jejich
vzájemné pootočení a to pouze podle výstupu pacienta a poté exaktním postupem. Vliv lékaře
je z testu zcela odstraněn. Scéna je rovněž rozdělena pomocí červeno-zelených brýlí jako
v případě Hessova plátna. Program zobrazí určitý obrazce, podle věku a schopností pacienta
41
červenou barvou a úkolem pacienta je jej obkreslit, tedy obtáhnout zelenou barvou tam kde a
tak jak jej pacient skutečně vidí. Při kreslení obrazce se již sice částečně uplatňuje fuze, ale toto
není pro vysvětlení testu podstatné. Po vytvoření kresby obrazce pacientem ji program
analyzuje a vyhodnotí se:
-
Posun obrazce v ose X a Y. Udává nesprávný souběh obou očí v daném směru.
Pootočení obrazce. Udává nesprávnou pozorovací rovinu některého z očí.
Velikost obrazce. Poměr velikosti obrazců zpracovávaných mozkem z obou očí.
Tvar nelze exaktně hodnotit, neboť je deformován v důsledku vznikající fuze z obou očí při jeho
kreslení což bylo experimentálně ověřeno. Pro analýzu obrazce je využita Hugova
transformace, s jejíž pomocí jsou detekovány směry jednotlivých hran nakresleného obrazce a
ty poté využity pro stanovení celkové odchylky od originálního obrazce. Test je nutno
několikrát opakovat pro vyloučení nepřesností ze strany pacienta.
C) Automatické detekce parametrů z pohybu zornice pacienta. Při vyšetření například zorného
pole nebo omezení pohybu očí pacienta lze takto dosáhnout mnohem objektivního hodnocení.
Tento princip spočívá v přímém snímání očních pohybů pacienta a jejich vyhodnocování.
Webová kamera umístěná pod velkoplošným monitorem pomocí vhodného zaostření a
zvětšení snímá obě oči pacienta současně. Obraz se však zpracovává pro pravé a levé oko
odděleně. Algoritmus poskytnutý firmou IDEA Recognition z pořízeného snímku oka určí pozici
zornice ve snímku a případně její velikost. Nejedná se o detekci absolutního pohledu oka, ale
pouze o pozici oka v rámci daného snímku. Tento parametr je však zcela dostačující a to
z následujících důvodů:
-
-
Při testu periferního zorného pole jde pouze o kontrolu, zda pacient okem skutečně
sleduje červený bod uprostřed obrazovky a okem opravdu nehýbe. Není tedy nutno
sledovat absolutní pohled oka, ale pouze určit jeho pohled na středový bod při
spuštění testu a poté v průběhu testu detekovat případnou odchylku. V případě
detekce odchylky oka je nutno právě zobrazený stimulační bod aktivovat znova pro
opětovný test. Nežádoucí pohyb oka je rovněž zvukově signalizován, aby byl pacient na
tuto nežádoucí skutečnost upozorněn a opětovný test již byl úspěšný.
Při testu omezení pohyblivosti oka jde o kontrolu, zda se zornice oka skutečně stále
pohybuje od střední neboli výchozí polohy při posunu podnětu daným směrem. Při
umístění podnětu do středu monitoru je odečtena poloha zornice oka ve snímku tzv.
výchozí poloha, poté je spuštěn automatický pohyb podnětu do požadovaného směru
a pouze kontrolován pohyb zornice daným směrem. Pokud se pohyb zornice zastaví,
tak již pacient není schopen oko daným směrem vychýlit. Aby byl výstup skutečně
správný tak se současně hodnotí i rychlost pohybu zornice oka ve snímku. Rychlost
podnětu je totiž konstantní. Pokud tedy poklesne rychlost pohybu zornice oka ve
snímku, je to indikace pozice kdy začínají u pacienta okohybné problémy. Takto lze
detekovat nejen celkové omezení pohybu oka v daném směru, ale současně i okamžik
kde omezení pohybu oka skutečně začíná, neboli nastává.
42
Zde se však nejedná o skutečně přesné měření pohledu oka. Z tohoto důvodu je nutno před
těmito testy uskutečnit vyšetření zda je oko ve své výchozí poloze skutečně právně postaveno.
Jinak mohou být výsledky testů zkresleny. Tyto automatické testy sice obsahují jistou kontrolu
správného postavení očí při pohledu vpřed, ale jde pouze o orientační kontrolu. Tyto
skutečnosti velmi závisí a nastavení kamery.
6.2 Další možnosti zvýšení objektivizace diagnostického procesu
Testy popsané v předchozí kapitole jsou vykonávány pouze na pracovišti lékaře, což je
samozřejmé vzhledem k jejich složitosti a požadavku získání co nejvíce odborného a
vypovídajícího výstupu. Pacienti se však s uvedenými testy setkávají velmi často poprvé. Pro
další zvýšení objektivizace, zde asi spíše řečeno „vypovídací hodnoty a věrohodnosti“ výstupu,
byla vytvořena kolekce odlehčených diagnostických testů, které jsou dostupné jako webové
aplikace. Před objednáním na vlastní diagnostický test je pacientům doporučeno si tyto
webové testy prohlédnut a seznámit se s jejich základními možnostmi. A samozřejmě si je
vyzkoušet, protože u každého je dostupný popis. Jak bylo zjištěno, tak pro velmi malé děti je
toto neocenitelným přínosem. Je nutno upozornit, že volně přístupné testy jsou pouze velmi
zjednodušenou variantou skutečných. Poté při aplikaci skutečných testů jsou pacienti již
dostatečně seznámeni a vlastní proces je nejen mnohem rychlejší, ale zejména mnohem
přesnější. I když plnohodnotný test je samozřejmě složitější, tak pacienti jsou již obeznámeni
s jeho principem, možnými variantami a částečně i výsledky. Poté je tedy průběh vlastního
diagnostického rozboru mnohem přínosnější nejen pro lékaře, ale rovněž i pro pacienta.
6.3 Uložení a přehled výsledků jednotlivých testů
Komplexnímu vyšetření pacienta se říká rozbor. Jde o soubor testů, jenž vyšetřující aplikuje na
pacienta v podstatě v předem doporučeném pořadí. Určité testy však může podle svého
uvážení přeskočit, protože pro pacienta například nemají význam, neboť touto poruchou
zjevně netrpí, nebo jsou pro něho nevhodné z důvodu velmi nízkého věk pacienta. Výstupem
tohoto rozboru je množství informací. Ty jsou buď zapisovány přímo do příslušného
nemocničního informačního systému, nebo do papírového formuláře, který je velmi často
odlišný pracoviště od pracoviště.
Pod pojem objektivizace lze však současně zahrnout i přehlednost a zejména výstižnost
podaných informací. Aby byly výsledky testů přehledné a tudíž i výstižné, tak musí být nejen
vhodně uloženy, ale také kdykoli názorně zobrazeny. Z tohoto důvodu bylo vytvořeno tzv.
„datové uložiště“, kam jsou ukládány výsledky jednotlivých testů. Tyto výsledky lze poté
kdykoli vyzvednout a zobrazit formou vhodného elektronického formuláře nebo grafu,
případně tisknout nebo přeposlat jinému lékaři. V datovém úložišti jsou však automaticky
obsaženy výsledky pouze těch diagnostických testů, které byly na SW nástroje převedeny,
nikoli tedy všech. Výsledky ostatních testů musí vyšetřující do elektronického formuláře vložit
ručně.
43
a)
b)
Obrázek 6.15: Elektronický formulář pro výsledky testů při rozboru: a) vyplněný formulář, b) příklad nabídky
hodnot do položky při vyplňování formuláře.
Pro odstranění možných chyb při vkládání dat je elektronický formulář vybaven u každé
položky nápovědou zahrnující téměř všechny běžné možnosti. Z dříve uvedeného přehledu
diagnostických testů je zřejmé, že jejich výstupní hodnoty nabývají pouze omezeného množství
položek nebo dokonce pouze určitého rozsahu hodnot. Všechny položky až na údaje pacienta,
lze v podstatě průběžně vyplňovat například pomocí dálkového IR ovladače a tím i celkově
zrychlit vyšetření. Údaje jsou zadávány stiskem několika tlačítek na ovladači místo psaní textu
pomocí psacího pera. Tím lze zcela eliminovat překlepy, nebo pozdější špatnou čitelnost písma
lékaře. Nyní však neuvažujeme nechtěný výběr zcela jiné položky. V krajním případě lze
samozřejmě jednotlivé položky editovat zcela podle potřeby ručně.
Spojení tohoto formuláře s datovým úložištěm není pouze symbolické, ale obsahuje množství
dalších výhod. I časově starší výsledky SW testů se rovněž zobrazují přes tento formulář, což
obsahuje následující přínosy:
-
Stále stejná struktura a formát výstupního podání. Výstup není závislý na konkrétním
programu nebo přístroji.
Hodnoty zobrazeny stále na stejných pozicích a ve stejném tvaru. Opět nezávislost na
jejich zdroji.
Změna struktury zobrazení je dána pouze změnou tohoto formuláře. Nikoli daty nebo
dokonce jejich zdrojem.
Informace obsažené v tomto formuláři, i když ve skutečnosti uloženy v datovém úložišti, jsou
později využity například při návrhu rehabilitačního postupu pro pacienta.
44
7 Uložiště pro měřená data a další informace
V současnosti existuje velké množství přístrojů, SW testů nebo komplexních programů
určených pro různé typy vyšetření a tudíž není snadné jejich výsledky globálně uchovávat,
hromadně hodnotit, nebo aspoň porovnávat. Naměřená data jsou většinou uložena nejen na
oddělených místech, ale současně i ve zcela odlišných formátech. Každý tvůrce stanový vlastní
místo a vlastní formát pro ukládaná data v závislosti na aktuálních potřebách a znalostech.
Takto jsou však naměřená data nejen nevhodně roztroušena, ale současně k jejich zpracování, i
ze stejného typu testu, ale od jiného autora, nelze použít hromadné techniky pro hodnocení
známé zejména z akademické neboli výzkumné oblasti.
V lékařství sice již existují centrální informační systémy, ty však obsahují pouze koncové
výsledky testů, tedy v podstatě diagnózy. V žádném případě neobsahují naměřená data. Tento
stav je však poněkud pochopitelný a to z následujících důvodů:
-
-
-
Uchovávat všechna naměřená data od každého pacienta a z každého měření by
znamenalo disponovat extrémně velkou úložnou kapacitou. Některá vyšetření,
například EEG, EKG produkují skutečně velké množství dat.
Naměřená data od stejné veličiny neboli typu, jsou pořizována různými přístroji od
různých výrobců, a tudíž by byly stejně uloženy v odlišných formátech a tím velmi
těžko hromadně využitelné.
Velké množství přístrojů však bohužel neposkytuje skutečná naměřená data, ale
pouze výstupní neboli koncové hodnocení. Tudíž ukládání dat v tomto případě není ani
možné.
Zde není cílem navrhnout a vytvořit „dokonalou“ databázi pro ukládání libovolných typů dat a
současně jejich libovolného objemu zejména z lékařského prostředí. Cílem je však navrhnout a
vytvořit databázi neboli úložiště, jenž bude tvůrcům SW programů a přístrojů na jedné straně
poskytovat dostatečnou svobodu pro uložení různých typů dat, ale na druhé straně je bude
současně usměrňovat do vhodné organizace těchto dat tak, aby jejich struktura byla jednotná
a srozumitelná i uživatelů, tedy lékařům. Z tohoto důvodu na návrh a tvorbu takovéhoto
úložiště byly kladeny následující hlavní požadavky:
-
Uložit množství typů různých hodnot (obecná čísla, pole čísel, texty, body v ploše,
body v prostoru, matice, …)
Téměř každou hodnotu doplnit časem pořízení, poznámkou, vazbou na jinou hodnotu
a případně dalšími položkami, které vyplynou i později z používání.
Záznamy doplnit informacemi o původu jejich pořízení (přístroj, čas, poznámka, popis,
veličiny, jednotky, …)
Vytvořit určitou strukturu a hierarchii srozumitelnou a vžitou pro lékaře (pacient,
návštěva, vyšetření, naměřená data).
Nastavit určité omezení přístupu za účelem zjednodušení a zpřehlednění, například
zobrazení pacientů pouze pro určitého lékaře nebo podle typu měření.
45
-
Umožnit hledání, vyzvedávání a zpracovávání jednotlivých položek podle libovolného
klíče (pacient, měření, hodnoty, …).
Zcela skrýt databázovou strukturu před uživatelem a tvůrcem SW aplikace nebo
přístroje.
Nejvíce používaná úložiště jsou běžné databáze (DB). Tvůrce aplikace nebo přístroje tedy nejen
stráví spoustu času vytvářením přístupu do DB, ale současně si na této nízké úrovni navrhne
vlastní strukturu (tabulky, položky, čísla, …) plynoucí většinou buď z omezení použité DB (typy
čísel, typy řetězců) nebo z vlastních nedostatečných znalostí. Formát uložených dat již není
shodný a tedy kompatibilní s tvůrci jiných SW úloh.
Na druhé straně, existují tzv. „objektové databáze“, které jsou schopny uložit v podstatě
libovolné typy objektů. Návrhář tedy není nikterak limitován. Toto vede rovněž k
nekompatibilitě uložených dat.
Ve zde popsaném návrhu úložiště byla zvolena určitá „střední“ cesta. Byla vytvořena vhodná
kolekce objektů, jež může tvůrce aplikace nebo přístroje využít pro uložení vlastních dat. Tato
kolekce je dostatečně variabilní pro uložení mnoha typů veličin. Je tvořena ze základních
„primitiv“ a jejich „složenin“, jako například:
-
Základní primitiva: celá čísla, desetinná čísla, kladná čísla, řetězce (texty) atd.
Jednorozměrné pole hodnot: pole celých čísel, pole desetinných čísel, pole řetězců atd.
Více rozměrná pole hodnot: 2D matice celých čísel, 3D matice desetinných čísel atd.
Pozice: bod v ploše, bod v prostoru atd.
Speciální položky: interval, datum a čas, barva atd.
Atd.
Každá z těchto položek současně obsahuje některé nepovinné upřesňující informace:
-
-
Název položky (textový název pro snadnou základní identifikaci)
Datum a čas vytvoření nebo aktualizace položky.
Poznámku tvořenou z několika částí: datum a čas vytvoření poznámky; klíč, který je
vhodný pro rychlé a snadné hledání poznámky; hlavní text poznámky a číselná priorita
0 – 9 udávající závažnost pro velmi snadné hledání důležitých poznámek
Dalšími pod-hodnotami obsahující v podstatě obdobné typy položek avšak mající
vztah pouze k této konkrétní
Další informace vyplývající z používání.
Pomocí této kolekce položek lze uložit naprostou většinu typů data. Všechny hodnoty jako
primitiva, matice, body nebo pole z jednoho měření jsou uloženy v tzv. seznamech „List“.
Každý seznam však obsahuje nejen hodnoty příslušné veličiny, ale současně i informace o jakou
veličinu je jedná. Tedy její název, min. a max. hodnotu, jednotky, případně rozsah atd.
Pro zajištění vhodné kompatibility uložených dat obsahuje úložiště množství předdefinovaných
typů hodnot a jejich popisu. Například při uložení věku se využijí celá kladná čísla, název
seznamu je „věk“ a jednotky „bezrozměrné číslo / roky“. Při uložení váhy se používají desetinná
čísla, seznamu je název „váha“ a jednotky „Kg“. Pokud jsou dodržena tato ustanovení, stává se
obsah úložiště velmi přehledný a univerzálně využitelný.
46
Tento způsob formátovaného uložení dat však poskytuje mnohem více a to například možnost
zobrazení grafu libovolné veličiny bez znalosti jejího skutečného významu a to pouhým
vyzvednutím hodnot a jejich zobrazením podle uložených doplňkových informací. Rovněž lze
například v celém úložišti hledat všechny hodnoty pžadovaného typu jako například test fixace,
Hessovo plátno a ty automaticky hromadně zpracovat.
Při vyšetření i v průběhu jednoho testu může vznikat více měřených veličin, a ty jsou uloženy
v již zmíněných seznamech „List“ jako položky obsahující čas a odpovídající hodnotu. Tyto
seznamy tvoří jednu sadu měření tzv. „Set“. Samozřejmě při jednom měření lze získat několik
sad měření, například test pacienta byl vykonán několikrát okamžitě za sebou. Sady měření
jsou uloženy pod přístrojem „Device“, který je pořídil. Takto jsou v uložišti reprezentovány
skutečné uložené hodnoty neboli data na tzv. nižší úrovni. Tyto hodnoty lékař v podstatě přímo
nevidí a často ani nepotřebuje. Jsou určeny zejména pro tvůrce programů a přístrojů,
zpracovatele a návrháře grafických výstupů. Obrázek 7.1 zachycuje strukturu nižší části uložiště
tedy vytvořenou zejména pro potřeby tvůrců programů a přístrojů.
Obrázek 7.1: Struktura nižší části univerzálního úložiště. Část pro tvůrce SW nástrojů.
Obrázek 7.2 zachycuje tzv. vyšší část úložiště navrženou a vytvořenou naopak pro uživatele a to
lékaře. Na nejvyšší pozici jsou pacienti „Patient“ a jejich základní údaje, každý pacientem
obsahuje seznam návštěv u lékaře „Visit“, každá návštěva obsahuje seznam měření „Measure“,
která byla na pacientu uskutečněna a každé měření zahrnuje seznam přístrojů „Device“. Pod
přístrojem jsou již umístěny konkrétní hodnoty.
Na každé této vyšší úrovni jsou přítomny tzv. skupiny informací „InfoGroups“. U pacienta je
například skupina informací s názvem „Basic“ pro jméno a adresu, nebo skupina „Global
diagnose“ pro celkovou diagnózu. Návštěva například obsahuje skupinu s názvem „Result“.
Takto lze velmi snadno na každé úrovni uchovávat vhodné informace a rychle k nim
přistupovat.
47
Obrázek 7.2: Struktura vyšší části univerzálního úložiště. Část pro lékaře a další uživatele.
Výhody návrhu toho úložiště lze shrnout do následujících bodů:
-
-
Struktura odpovídá jak potřebám lékaře, tak současně i potřebám tvůrce přístroje.
Lékař přistupuje zejména k vyšší části uložiště, naopak tvůrce přístroje se zaměřuje na
nižší část ale téhož úložiště.
Lze hledat položky na libovolné úrovni podle zadaného kritéria. Pro lékaře jde o
pacienta nebo svoji poznámku. Pro osobu zpracovávající data jde hlavně o typy
naměřených dat. Avšak kdykoli jsou přístupny i ostatní záznamy v rámci celého
úložiště.
Činnosti lze nad daty zcela automatizovat a abstrahovat, jako například: hledání min.
a max. hodnoty určité veličiny přes všechny pacienta, průměry a další.
Lékař i vývojář využívají stále stejnou strukturu informací nezávisle na konkrétním
přístupu neboli požadavcích.
Navržené a vytvořené úložiště si v žádném případě neklade za cíl konkurovat nebo dokonce
nahradit velké nemocniční informační systémy. Jeho cílem je zaměřit se vždy na určitou oblast
a pojmout potřebné množství měřených nebo jinak pořízených dat za účelem jejich společného
a snadného uložení pro pozdější vhodné i automatické zpracování. Při návrhu a vytváření
tohoto úložiště bylo samozřejmě přihlédnuto k pozdějšímu využití dat pro akademické a
výzkumné účely.
Vlastní úložiště je implementováno v prostředí Microsoft .NET Framework za použití
programovacího jazyka C# s využitím LINQ. Je vytvořeno jako komponenta pro začlenění do
libovolného projektu.
7.1 Grafické zobrazení informací z úložiště a jejich export
Pod pojmem objektivizace si lze také přestavit nejen dostupnost všech vhodných informací
podporující správné rozhodnutí lékaře, ale zejména jejich vhodné podání pomocí grafického
zobrazení. V úložišti může být obsaženo velké množství informací, avšak bez rychlého a
snadného přístupu k nim jsou uložené informace v podstatě bezvýznamné. Při návrhu a řešení
zobrazení informací z úložiště byl kladen důraz na následující skutečnosti:
-
Informace musí být zobrazitelné i bez použití programu nebo přístroje, který je do
úložiště vložil. Tento program již nemusí být k dispozici.
48
-
U naměřených dat musí být přítomny potřebné doprovodné informace popisující jejich
význam. Nelze se spoléhat na externí popis uložených dat.
Grafická reprezentace musí být na jednu stranu jednotná, ale současně
modifikovatelná.
Jednotný postup pro zobrazení informací nebo naměřených dat nezávisle na jejich
původu.
Jako další komponenta k úložišti byl tedy vytvořen modul zobrazující naměřená data a další
informace formou tabulek nebo grafů, podle jejich aktuálního formátu a struktury. Samostatné
číselné nebo textové hodnoty jsou zobrazovány pomocí tabulek. Posloupnosti hodnot
určených zejména časem jsou zobrazovány jako grafy. Jelikož naměřená data obsahují
množství informací nejen o svém původu, ale rovněž o svém významu, jako jsou například
jednotky, lze je tedy kdykoli vhodně zobrazit. Obrázek 7.3 poskytuje několik příkladů
zobrazených dat a informací obsažených v úložišti.
Obrázek 7.3: Příklady zobrazení různých typů dat obsažených v úložišti. Zobrazení nezávislé na nástroji, který data
pořídil a uložil.
Velmi významným požadavkem při návrhu a vytváření tohoto univerzálního úložiště byla
možnost exportu dat za účelem jejich dalšího zpracování. Úložiště již obsahuje základní typy
exportu, dokonce nezávislé na uložených datech, například do textového souboru nebo MS
EXELu. Další lze přidat pomocí externím modulů.
49
8 Analýza dat
Doposud se práce věnovala objektivizaci diagnostických metod. Dále se bude věnovat návrhu a
vytvoření systému pro podporu lékaře při stanovení diagnózy. Jelikož se jedná o velmi
komplexní proces zahrnující množství vstupních informací, obsažených nejen v rozboru, ale
současně využívající množství znalostí i zkušeností ze strany lékaře, tak jej nelze snadno a již ne
zcela převést do SW podoby.
Z tohoto důvodu byla vybrána pouze určitá část a to návrh diagnózy pacienta podle výstupu
vyšetření na Hessově plátně a pomocí souboru vložených pravidel. Tento výstup však
v některých případech nemusí být zcela dostatečný pro přesné stanovení koncové diagnózy a
je potřeba zohlednit výsledky i některých dalších testů jako například visus nebo motilitu.
Uvažování všech těchto vstupních parametrů by však vedlo na velmi složitý expertní systém.
Návrh diagnózy bude tedy zde stanoven zejména z výstupu Hessova plátna, což je považováno
za nejvíce vypovídající údaj. Hodnocení dalších parametrů již závisí na lékaři. Jedná se o systém
pro návrh diagnózy, neboli podporu lékaře, nikoli pro zcela automatické stanovení výsledné
diagnózy. Nejprve je však nutno uskutečnit určitou analýzu vstupních dat, tedy výstupu
vyšetření Hessova plátna, poté vhodně data parametrizovat a nakonec je využití pro návrh
diagnózy. Později bude rovněž popsána možnost návrhu diagnózy pomocí aplikace pravidel na
obrazec z Hessova vyšetření.
8.1 Výstup testu Hessovo plátno (HessScreen - HS)
V dalším textu budou využívána tato označení:
Originální HS obrazec – pozice stimulačních bodů na ploše HS testu a jejich vhodné
pospojování pomocí hran
HS obrazec pacienta – pozice bodů umístěných pacientem a jejich vhodné pospojování pomocí
hran
Princip HessScreen (HS) testu byl již vysvětlen v kapitole popisující diagnostické nástroje a
proto zde bude popsán pouze jeho výstup z pohledu naměřených hodnot. Obrázek 8.1
poskytuje základní přehled testu Hessova plátna. Nejprve zobrazuje pouze červené stimulační
body a), poté i zelené body umístěné pacientem b) a nakonec výsledný obrazec vzniklý
pospojováním některých bodů umístěných pacientem c).
a)
b)
c)
Obrázek 8.1: Princip HS testu: a) pouze červené stimulační body, b) současně zelné body umístěné pacientem, c)
obrazec vzniklý pospojováním určitých bodů umístěných pacientem.
50
Jedná se celkem o dva soustředné čtverce. Menší čtverec tvoří 9 bodů a větší čtverec tvoří
pouze 8 bodů. Středový bod se testuje pouze jednou. Pozice jednotlivých bodů jsou určeny
pomocí úhlů v ose X a Y od středu otáčení oka pacienta. Záznam testu tedy obsahuje seznam
pozic stimulačních bodů a rovněž pozic bodů umístěných pacientem. Ne vždy je však ve
výstupu přítomen větší čtverec. Právě mnoho získaných HS testů jej neobsahuje. Záleží na typu
přístroje, rozhodnutí lékaře, nebo okohybné poruše pacienta. Pro názornost a lepší čitelnost se
některé body spojují úsečkou neboli čárou. Takto je tvar obrazce mnohem názornější, zejména
pro jeho visuální hodnocení lékařem.
8.2 Možné nepřesnosti a chyby ze strany pacienta
Naměřený HS obrazec může obsahovat množství nejen nepřesností, ale současně i
neúmyslných chyb a to zejména ze strany pacienta. Tyto nepřesnosti nebo přímo chyby lze
shrnout následovně:
-
NV – Nepřesnost umístění bodů pacientem v důsledku jeho nesprávného / neostrého
vidění - nejmenší chyba.
NP – Nepřesnost způsobená nestabilitou poruchy pacienta - menší chyba.
NU – Nepřesnost způsobená nepozorností nebo únavou pacienta - větší chyba.
NN – Nepřesnost způsobená nechtěným označením bodu na nesprávném místě největší chyba.
NL – Nepřesnost způsobená postupem vyšetření, nebo nepochopením testu ze strany
pacienta – pojednáno v úvodu, můžeme obdržet zcela jiný výsledek.
Celková nepřesnost je tedy zapsána:
NC = NV + NP + NU + NN + NL
(8.1)
Tyto chyby lze do velké míry eliminovat neboli odstranit pouze pomocí opakovaného měření.
Poslední uvedenou NL však ne vždy. Mnoho získaných HS vyšetření bohužel obsahuje pouze
jedno měření. Je-li tedy přítomna větší NU nebo největší NN nepřesnost, tak ji v podstatě nelze
automaticky detekovat a tedy ani odstranit. Jediná možnost spočívá v korekci výstupu
samotným lékařem při hodnocení tohoto záznamu. Počítačové zpracování není schopno
jednoznačně rozpoznat „chybu“ pacienta z jediného HS obrazce. Obrazec obsahující některé
nepřesnosti se při počítačovém zpracování v podstatě může jevit jako obrazec se zcela
odlišnou poruchou a ve výsledku tedy i se zcela jinou navrženou diagnózou. Tyto chyby tedy
mohou velmi značně ovlivňovat proces automatického návrhu diagnózy. Systém pro návrh
diagnózy by měl být vůči uvedeným chybám do jisté míry tolerantní, ne však imunní a již vůbec
by je neměl přehlížet neboli ignorovat. Nelze totiž jednoznačně rozhodnout, zda jde skutečně o
chybu, neboli nepřesnost či nikoli.
Pro vytvoření přehledu o spolehlivosti výstupu pacienta byl uskutečněn experiment, kdy 30
zdravých lidí mělo relativně pomalu a poté relativně rychle podstoupit test na počítačovém HS
plátně. Pomalá část měla simulovat rozvážného zdravého pacienta a rychlá část pacienta
například s nestabilní poruchou nebo únavou (zejména nepřesnosti typu NV, NP, NU, nikoli
přímo NN).
51
a)
b)
Obrázek 8.2: Průměrné odchylky úhlů jednotlivých hran u a) relativně pomalých a b) relativně rychlých HS testů.
Výsledná hodnota určena jako průměr z 30 x 3 testů. Každý test byl 3x opakován.
V testu byla měřena odchylka úhlů jednotlivých hran obrazce pacienta od hran originálního
obrazce, jejichž úhel byl považován za 0 st. Nikoli tedy odchylky jednotlivých bodů, ale směrnic
tvořících jejich spojnice. Lékař hodnotí hlavně směry těchto spojnic než polohy vlastních bodů
umístěných pacientem. Obrázek 8.2 zachycuje „průměrné“ hodnoty odchylek pro jednotlivé
hrany z 30 vykonaných testů, kdy každý test byl pakován 3 krát. Při pomalém testu byla
odchylka od 2 do 4 stupňů. Naopak při rychlém testu poněkud více a to od 4 do 9 stupňů.
Jednotlivé hrany jsou v obrázku současně barevně odlišeny, kdy modrá barva signalizuje menší
odchylku a červená větší odchylku. Z tohoto vyplývá, že případná i nechtěná nepřesnost
pacienta, nebo dokonce zdravého člověka, může být vcelku velká a pro jakékoli matematické
zpracování nelze použít přímo reálné číselné naměřené nebo vypočtené hodnoty. V podstatě
jde o nepřesnost až do 10 st.
a)
b)
Obrázek 8.3: Maximální odchylky úhlů jednotlivých hran u a) relativně pomalých a b) relativně rychlých HS testů.
Výsledná hodnota určena jako maximum z 30 x 3 testů. Každý test byl 3x opakován.
Další Obrázek 8.3 uvádí pouze pro orientaci přehled „maximálních“ detekovaných odchylek
úhlu jednotlivých hran pro pomalý a rychlý test. Je zde velmi zřetelně rozeznat jak příliš se
mohou lišit hodnoty úhlů jednotlivých hran HS obrazce pacienta od originálního HS obrazce.
Pro názornost byl rovněž vybrán test od skutečného reálného pacienta.
a)
b)
Obrázek 8.4: Reálné hodnoty výstupu HS testu: a) výstup HS testu pacienta, b) maximální rozdíly úhlů
jednotlivých hran.
52
Obrázek 8.4a uvádí třikrát opakovaný test okamžitě po sobě od téhož pacienta. Je zřetelné, že
obrazce se mohou i visuálně lišit (únava pacienta, nestabilita poruchy, atd.). Obrázek 8.4b
uvádí maximální detekovaný rozdíl mezi dvěma úhly u jednotlivých hran. Zde lze odečíst
odchylku až 21 st, což není zrovna zanedbatelná hodnota.
8.3 Předpoklad na tvar HS obrazce
Pacient v podstatě může vytvořit HS obrazec zcela libovolného tvaru. Na jeho tvar nejsou
vlastně žádná omezení. Úlohu nelze ani převést na rozpoznání HS obrazce, protože některé
jeho body mohou být zcela mimo testovací plochu a tedy v podstatě neexistují. I většina HS
obrazce může být zcela mimo testovací plochu, tedy obrazovku a nelze jej ani vhodně zakreslit.
Nelze tedy použít obdobné principy jako například u EKG, kde je zřejmé jaký by požadovaná
křivka měla mít tvar a tu tedy hledat. Existují i případy kdy jsou hrany obrazce překříženy.
Velmi pravděpodobně jde o chybu ze strany pacienta, ale tato skutečnost není potvrzena.
V jistém případě může rovněž jít o velmi nestabilní poruchu. Prosté grafické rozpoznání
obrazce jako tvaru, například pro převod „papírového“ záznamu na „elektronický“, může být
velmi složité nebo dokonce nemožné. Papírové záznamy byly na elektronické převedeny
manuálně. Obrázek 8.5 uvádí několik zcela běžných příkladů výstupu HS obrazce.
a)
b)
c)
Obrázek 8.5: Příklady tří celkem běžných HS obrazců pacientů při vyšetření pomocí HS plátna.
8.4 Princip hodnocení HS obrazce lékařem
Zde je velmi stručně nastíněn postup, jak lékař hodnotí HS obrazec. Důraz je zde kladen na
postup a princip, nikoli na lékařský obor. Výstup HS testu spočívá v souboru bodů, jejichž
pozice pacient označil, neboli určil. Samotné body nejsou nikterak přehledné, a proto lékař
mezi určité body zakreslí spojnice a v podstatě z nich vytvoří obrazec podle Obrázek 8.6, který
je již mnohem názornější, čitelnější a pochopitelnější.
a)
b)
Obrázek 8.6: Zadání HS testu a) stimulační body a b) z nich vytvořený originální HS obrazec.
Pokud je obrazec jednoduchý a jednoznačný, jako například u zdravého člověka, tak lékař
stanoví diagnózu v podstatě okamžitě. Takovýchto obrazců je však velmi omezený počet a
53
lékař je má v podstatě naučeny z paměti. Obdobné rozhodování nastane v případě
jednoznačného, ale poněkud posunutého nebo potočeného obrazce jak uvádí Obrázek 8.7.
a)
b)
c)
Obrázek 8.7: Příklady HS výstupů vyšetření pomocí HS testu: a) zdravý člověk, b) pouhé posunutí HS obrazce, c)
posunutí a potočení HS obrazce.
Situace se však stává složitější, pokud je nejen poloha, ale i tvar obrazce komplikovanější. Na
první pohled není tedy diagnóza jednoznačná. V tomto případě lékař hodnotí odděleně jak
posun s pootočením obrazce tak jeho tvar a to následujícím způsobem. Někteří lékaři mohou
samozřejmě používat svůj vlastní, poněkud odlišný postup.
-
-
-
-
-
Zda jsou HS obrazce pravého a levého oka správné, ale poněkud posunuté nebo
pootočené. Jde velmi pravděpodobně o poruchu způsobenou nervovou soustavou
(nervy, nervová jádra), nikoli okohybnými svaly.
Zda jsou HS obrazce pravého a levého oka stejné a „do jisté míry“ podobné správnému
tvaru HS obrazce, ale poněkud posunuté nebo pootočené. Jde velmi pravděpodobně o
poruchu způsobenou nervovou soustavou (nervy, nervová jádra), nikoli okohybnými
svaly.
Pokud jsou HS obrazce „dostatečně“ různé nejen od správného tvaru, ale zejména vůči
sobě, jde velmi pravděpodobně o poruchu způsobenou okohybnými svaly nebo k nim
vedoucími nervy. Tento stav se však dále podrobněji posuzuje.
Posun HS obrazce v ose X udává některý za základních typů strabismu (konvergentní /
divergentní). Horizontální oční svaly
Posun HS obrazce v ose Y udává nesprávnou výšku některého z očí (hypertropie /
hypotropie). Vertikální oční svaly.
Pootočení HS obrazce často indikuje poruchu v jenom šikmém očním svalu nebo
příslušném nervu.
Dále se posuzuje tvar HS obrazce pravého oka vůči levému.
o Na jednom oku menší, na druhém větší.
o Na jednom omezení v daném směru a na druhém protažení v tomto směru.
o … (a další možnosti)
K tomuto lékař využívá učebnicové znalosti jako například:
o Heringův zákon o stranové symetrické inervaci synergistů. Inervační impuls je
rovnoměrně rozdělen na agonisty (akční svaly) obou očí, jež se v tomto
případě chovají jako jediný orgán.
o Sheringtonův zákon o reciproční inervaci antagonistů. Každý pohyb očí je
možný jen tehdy, je-li kontrakce agonistů zároveň provázena relaxací jejich
antagonistů.
54
-
-
V tomto okamžiku se v podstatě na HS obrazec aplikuje jistý systém pravidel. V mnoha
případech je tento postup úspěšný. Vhodný je zejména pro hledání diagnózy skládající
se z jednodušších dílčích příčin.
Zkušený lékař, však stále více vyžívá svých znalostí z praxe. V podstatě porovnává nový
HS obrazec s některým, na něhož si právě vzpomene. Chová se tedy jako expertní
systém, který se stále učí. Obsahuje však jednu podstatnou nedokonalost, oproti
skutečnému expertnímu systému a to, že zapomíná.
Stručně lze tedy shrnout princip hodnocení HS obrazce lékařem do následujících kroků:
-
A) Test zda jde o některý ze standardních obrazců se standardním umístěním
(například zdravý pacient). Pokud toto selže, tak se přechází k bodu B.
B) Aplikaci určitých pravidel pro získání uspokojivé diagnózy. Pokud toto selže, tak se
přechází k bodu C.
C) Nalezení nejpodobnějšího již klasifikovaného obrazce a porovnáním, tedy
konzultací se stanoví výsledná diagnóza.
Výsledná diagnóza se tedy skládá z:
-
DP – Vzájemné polohy HS obrazců levého a pravého oka v ose X a Y.
DR – Vzájemného pootočení HS obrazců levého a pravého oka.
DL – Samostatného tvaru HS obrazce levého oka.
DR – Samostatného tvaru HS obrazce pravého oka.
DO – Vzájemné souvislosti tvarů HS obrazců levého a pravého oka.
DX – Případně další informace z jiných vyšetření.
Celkovou diagnózu lze tedy vyjádřit takto:
DC = DP + DR + DL + DP + DO + DX
Zde je na místě znaménko „+“ (součet výsledků – ADD) nikoli „OR” (prostý logický součet – |).
V případě tvorby diagnózy nemusí být ve výsledku obsaženy všechny dílčí příspěvky, ale jejich
určitý soubor může být převeden na jinou vyšší, neboli společnou diagnózu.
8.5 Příklady výstupů HS testu
Je vhodné uvést několik ukázkových výstupů, jenž lze obdržet při vyšetření reálného pacienta
pomocí HS testu. Každý případ je stručně popsán, ale pouze pro potřeby této práce, nikoli
přesně z lékařského hlediska. Ukázky tedy slouží zejména pro nastínění variability HS obrazce.
55
a)
b)
c)
Obrázek 8.8: Obrazce levého a pravého oka a) stejné - zdravý jedinec, b) c) poruchy nervového původu.
Obrázek 8.8a představuje HS obraz zdravého jedince, kde oba obrazce mají správný tvar i
umístění. Obrázek 8.8b a Obrázek 8.8c představují výstup s neurologickou diagnózou a
představují poruchy v jednom z nervových jader, které řídí okohybné svaly. Nejde tedy o
poruchu vlastních okohybných svalů. HS obrazce jsou sice tvarově správné, ale nesprávně
umístěné. Obrázek 8.9 zachycuje výstupy, kdy se skutečně jedná a poruchy okohybných svalů.
a)
b)
Obrázek 8.9: Některé příklady běžných poruch okohybných svalů.
c)
Obrázek 8.9a a Obrázek 8.9b obsahují zcela jednoznačný strabismus podle dvou zákonů a to
Heringova a Sheringtonova. Celková diagnóza je však současně kombinací vzájemného tvaru
HS obrazců a jejich případného posunu. Obrázek 8.9c obsahuje rovněž typ strabismu, ale již
vzniklý kombinací více dílčích poruch. Další sada případů Obrázek 8.10a a Obrázek 8.10b již
obsahuje na první pohled poněkud komplikovanější HS obrazce.
a)
b)
Obrázek 8.10: HS test: a) Poúrazová obrna n. III. dx se zbloudilo inervací, b) Retrakční syndrom Duane II vpravo.
Obrázek 8.10a představuje tzv. „zbloudilou inervaci“ což je stručně řečeno označení pro
podivné chování oka při jeho pohybu do různých směrů (postačující vysvětlení pro naše účely).
Zbloudilá inervace může být u každého pacienta zcela odlišná a tím i získaný HS obrazec.
Naopak Obrázek 8.10b obsahuje jednoznačnou diagnózu s pevně daným pojmenováním. Na
závěr Obrázek 8.11 uvádí tři příklady poněkud rozmanitých obrazců, jejich diagnózy nemá
význam uvádět.
56
a)
b)
c)
Obrázek 8.11: Některé neobvyklé tvary a zejména umístění HS obrazců.
Z uvedeného výčtu HS obrazců je zřejmé, že skutečně není žádné omezení na jejich tvar ani
umístění. Při hodnocení obrazce je tedy nutno počítat s každou možností.
8.6 Možnosti klasifikace bez znalosti diagnózy
Automatická klasifikace HS obrazců pouze podle jejich tvaru bez znalosti diagnóz je v podstatě
neřešitelná. V mnoha případech na první pohled méně si podobné obrazce obsahují stejnou
diagnózu a naopak diagnózy jako například „jiný strabismus“, nebo „zbloudilá inervace“ mohou
zahrnovat i zcela odlišné obrazce. Nastavení klasifikátoru pro zohlednění této skutečnosti by
bylo velmi složité, nebo dokonce nemožné pro určitou vyžadovanou úspěšnost klasifikace. Bylo
by nutno znát aspoň počet výsledných tříd a to již vychází z počtu diagnóz. Zcela určitě nastane
skutečnost, kdy pro některou diagnózu není příklad k dispozici, ani snadno nebude, samo-učící
se klasifikátor toto samozřejmě neví a přiřadí třídě nesprávný příklad, aby ji zaplnil.
Řešení by spočívalo ve vytvoření obecné klasifikace do několika tříd podle „určité“ podobnosti.
Toto však vůbec nezaručuje umístění dvou HS obrazců o stejné diagnóze do stejné třídy.
Příkladem může být Obrázek 8.12, kdy HS obrazec Obrázek 8.12a obsahuje v podstatě shodnou
diagnózu jako Obrázek 8.12c a nikoli Obrázek 8.12b, i když je mu v jistém smyslu například
graficky bližší.
a)
b)
c)
Obrázek 8.12: Příklady podobnosti HS obrazců b) malá porucha, b) zdraví jedinec, c) velké porucha. Jedná se o
uměle vytvořené a demonstrační HS obrazce.
V tomto případě je stěžejní nalezení vhodných příznaků a klasifikační neboli diskriminační
funkce. Rovněž při vložení nového příkladu by bylo vhodné klasifikaci přehodnotit. Mohli jsme
totiž obdržet chybějící příklad do dříve neobsazené třídy. Po přehodnocení klasifikace bychom
mohli velmi snadno obdržet poněkud jiné rozdělení do tříd a pro stejný původní případ již
získat poněkud jinou výslednou třídu. Záleželo by tedy i na pořadí učení z příkladů. Klasifikace
bez znalosti diagnóz, tedy učení bez učitele není zřejmě vhodnou metodou. Cílem této práce je
buď navrhnout vhodnou diagnózu, nebo předložit nejpodobnější příklad obsahující již
stanovenou diagnózu. Bude-li se případ nacházet někde na hranici tříd, je často zařazen do
nejbližší třídy, nikoli k nejbližšímu příkladu. Tohoto je dosaženo teprve případovým
57
usuzováním. Není tedy vhodné navrhnout diagnózu „za každou cenu“, ale poskytnout
relevantní výstup.
8.7 Možnosti klasifikace se znalostí diagnózy
Při klasifikaci HS obrazců do skupin neboli tříd by bylo vhodné využít jejich popis pomocí
diagnózy. Všechny zde použité HS obrazce jsou samozřejmě diagnózou doplněny, ale v jejím
plném využití brání několik skutečností. Každému HS obrazci není v podstatě nikdy přiřazena
pouze jedna konkrétní diagnóza. Výjimku, tedy pouze jedna určitá diagnóza, tvoří například
správný obrazec nebo ne zcela přesné konstatování ve tvaru „jiný typ strabismus“. Diagnóza
k HS obrazci je často zapsána dvěma možnými způsoby:
-
Souborem několika kódů současně jako například: H500 (divergentní strabismus),
H502 (vertikální strabismus), H532 (diplopie) atd.
Textovým popisem jako například: „trauma, fraktura spodiny očnice vpravo“, nebo
„paréza abducens vpravo“, nebo „strabismus divergentní“ atd.
Shrňme některé rozdíly a zejména výhody a nevýhody těchto dvou způsobů označení diagnóz:
-
-
-
-
-
-
Ve všech případech lze převést kódová označení diagnóz na textová. Jde v podstatě o
náhradu kódu textem. Kód samozřejmě zastupuje text, který však každý lékař může
formulovat poněkud odlišně i když v zásadě se stejným významem. Naopak
převod textu na kódy je však často tzv. ztrátový. Například „paréza abducens“ se
hodnotí kódem H491 a již se neudává, zda vpravo nebo vlevo. Tedy dvě textové
diagnózy jako jsou „paréza abducens vpravo“ a „paréza abducens vlevo“ jsou
nahrazeny stejným kódem a to H491. Převod na kódové označení je tedy obecnější.
Někteří lékaři používají pouze kódová označení podle výběru z možností použitého
informačního systému. Jiní zase pouze textová, která jsou podle nich přesnější,
výstižnější a zejména srozumitelnější. Část získaných dat obsahuje kódové a část
textové diagnózy.
Toto velmi komplikuje kategorizaci HS obrazců podle diagnóz. Pro automatickou
klasifikaci jsou samozřejmě více vhodná kódová označení než textová. Kódy lze snadno
porovnat. Hledání výskytu řetězce v textu vůbec nezaručuje nalezení stejné, nebo
alespoň podobné diagnózy. Pokud text není v přesně definovaném tvaru.
Použijí-li se kódy místo textové podoby, tak dojde ke sloučení i několika příkladů HS
obrazců. Tato skutečnost je velmi podstatná například u přívlastku „vpravo / vlevo“.
Dva vizuálně odlišné HS obrazce, nejen umístěním přiřazujeme do stejné kategorie
neboli skupiny, což může být pro klasifikaci velmi nepříznivé.
Celková diagnóza je téměř vždy složena z několika kódových označení. Pro klasifikaci
podle kódů by bylo nutno uvažovat všechny možné kombinace. Jejich počet bez
podrobné lékařské analýzy není znám a velmi pravděpodobně bychom skončili u
konstatování „tato kombinace je velmi nepravděpodobná, ale nelze ji zcela vyloučit“.
Některé kódy lze použít současně (H501 - divergence, H532 - ambliopie) a některé se
vylučují (H500 - konvergence, H501 - divergence). Pro omezení celkového počtu
možných kombinací diagnóz by byly opět potřeba velmi podrobné lékařské znalosti.
58
-
-
-
Při klasifikaci pomocí diagnóz lze tedy uvažovat dvě možnosti:
o Použít všechny možné kombinace kódových diagnóz. Těch je ovšem velmi
mnoho a předem je ani neznáme. Pro většinu z nich nebudou a „v našem
případě nikdy“ k dispozici vhodné příklady.
o Použít klasifikaci podle jednotlivých dílčích sub-kódů, tolik tříd kolik je subkódu. Pro některé sub-kódy za prvé nemáme a jen tak nebude mít žádný
vhodný příklad a za druhé velmi často se stane, že jeden příklad padne do
mnoha skupin současně, což je pro většinu klasifikačních algoritmů nepříznivé.
Algoritmy jsou založeny na klasifikaci do jedné ze tříd.
Vstupní data jsou získána ze dvou oddělení a to „očního“ a „neurologického“. Lékaři
očního a neurologického oddělení se na HS obrazec mohou dívat poněkud odlišným
způsobem a tím mohou samozřejmě stanovit i poněkud odlišnou diagnózu ve formě
kódu či textu. Zde záleží na příčině poruchy. Zatím co oční lékaři používají zejména
kódy začínající na H, tak neurologové na G, případně na I. Lze tedy očekávat, že oční a
neurologické hodnocení může být u stejného obrazce poněkud odlišné. Což může být
dáno skutečnou příčinou konkrétní poruchy. Některé obrazce jsou tedy ohodnoceny
pomocí očních diagnóz a jiné pomocí neurologických, což přináší velké problémy
v jejich klasifikaci podle udané diagnózy. Různé třídy by mohly obsahovat stejné
obrazce.
Mohou však nastat i případy kdy lékař není schopen diagnózou stanovit, prostě neví, a
proto použije některý univerzálnější kód jako například „H508 – jiný typ strabismu“.
Tato skutečnost velmi ztěžuje klasifikaci podle tvaru obrazce a přiřazené diagnózy.
Na přímou klasifikaci příkladů podle stanovené diagnózy se tedy rovněž nelze spolehnout.
V podstatě jediná možnost pro návrh diagnózy a to nezávisle na očním nebo neurologickém
původu vstupních dat spočívá v nalezení, v jistém smyslu nejpodobnějšího neboli nejbližšího
HS obrazce, případně skupiny HS obrazců mezi evidovanými příklady a poskytnutí jejich
uvedených diagnóz jako návrhu. Stále zbývá velmi složitý problém jak dva HS obrazce vhodně
porovnat a určit jejich podobnost, případně vzdálenost.
Kódově zapsanou diagnózu lze snadno rozložit na dílčí diagnózy: DC = D1 + D2 + … + DN. U
textové diagnózy již toto není tak snadné. Jednotlivá slova sama o sobě nemusí mít podstatný
význam a naopak velmi může záležet na vzájemném spojení a pořadí těchto slov.
8.8 Variabilita diagnóz
Jak jsou vlastně diagnózy obrazcům přisuzovány a co znamenají. Zde není na místě popisovat
jednotlivé diagnózy, ale pouze stručně vysvětlit vztah některých diagnóz k variabilitě HS
obrazce. Celková diagnóza je skoro vždy složena z několika dílčích diagnóz a proto je vhodné se
zmínit právě o některých z nich. Například „H500 – konvergentní strabismus“ znamená stručně
řečeno „posun os očí k nosu“, ale již neudává velikost posuvu. Naopak „H501 – divergentní
strabismus“ udává „posun očí od nosu“, ale již opět neudává jeho velikost. Pro stanovení této
diagnózy je tedy hlavní směr posunu obou očí, ale již ne jeho skutečná velikost. Dále pro „H520
– vertikální strabismus“ je charakteristické protažení HS obrazce ve svislém směru, ale již opět
není udána jeho přesná velikost. V podstatě ani, zda levé nebo pravé oko. Rozměr HS obrazce
59
indikuje převážně pouze velikost poruchy nikoli její typ. Pokud tedy budeme hledat podobnou
diagnózu, tak velmi pravděpodobně rovněž hledáme podobný obrazec. Nejprve tedy
nalezneme podobný obrazec, i několik, a z něho využijeme již u něho stanovenou diagnózu. HS
obrazce je však vhodné porovnávat na tvar a základní velikost, tedy zmenšení nebo zvětšení
proti originálnímu HS obrazci, protože diagnóza právě tuto skutečnost nejvíce zohledňuje.
Přesná neboli číselná velikost HS obrazce není v diagnóze přímo zahrnuta.
Zde raději neuvažujeme diagnózu typu „“H508 – jiný strabismus“, jež představuje diagnózu bez
přesnějšího určení a často doplněnou slovním popisem a HS obrazec může mýt v podstatě
libovolný tvar. K diagnózám je potřeba poznamenat ještě jednu velmi podstatnou skutečnost:
-
Ve většině případů je celková diagnóza složena z několika dílčích diagnostických kódů.
Ty často tvoří příspěvky dílčích poruch.
Velmi zřídka pouze jedním kódem indikujícím zcela jednoznačnou poruchu, kterou
například nelze kombinovat s jinými, nebo není známa její kombinace.
Velmi zřídka pouze jedním kódem indikujícím souhrnnou diagnózu skládající se z
přesně daných dílčích diagnóz. Jde o zkrácený zápis diagnózy.
Velmi zřídka pouze jedním kódem typu „jiná ne přesně určená porucha“, kdy lékař
indikuje nemožnost přesného určení poruchy, nebo pro ni není přesné zařazení.
Zejména poslední skupina může způsobovat velké problémy při jakékoli automatické
klasifikaci. V ní se mohou snadno nacházet příklady, které jsou velmi podobné „jiné konkrétní“
diagnóze, ale jsou „nepatrně“ odlišné a lékař je do této „jiné konkrétní“ diagnózy raději
nezařadil. Naopak tato skupina může současně obsahovat i zcela si nepodobné příklady.
8.9 Princip porovnání dvou HS obrazců
Zde je nastíněn princip, jak se hodnotí podobnost dvou HS obrazců od různých pacientů. Je
tedy základem hledání jiného nejpodobnějšího HS obrazce s cílem jeho využití jako vzor pro
stanovení diagnózy. Jak je však definována podobnost HS obrazců. HS obrazec je
charakterizován těmito hlavními znaky:
-
-
-
Posun HS obrazce v ose X a Y. Tři základní možnosti - , 0 , + pro X a Y. Jde o stanovení
základního posunu polohy HS obrazce v horizontálním a vertikálním směru.
Směr pootočení HS obrazce. Tři základní možnosti - , 0 , +. Jde o stanovení rotace HS
obrazce.
Tvar HS obrazce. V podstatě směry hran a jejich délky tvoří celkový tvar HS obrazce.
Směr shodný / dovnitř / ven, délka shodná / kratší / delší než hrana originální. Jde
převážně o typ poruchy okohybných svalů.
Velikost HS obrazce. Jde převážně o velikost neboli míru poruchy. Toto je nutno rovněž
hodnotit ve vztahu obou očí současně. Udává poruchu na příslušném oku, tedy svalu,
nervu atd.
Vzájemný vtah HS obrazce levého a pravého oka. Zda jde o poruchu očních svalů,
nervů nebo některých mozkových jader.
60
Celkovou shodu HS obrazců od dvou pacientů lze vyjadřovat následovně:
SC = PL1-2 + PP1-2 + TL1-2 + TP1-2 + VL1-2 + VP1-2 +
(PL1 ↔ PR1 + TL1 ↔ TP1 + VL1 ↔ VP1) + (PL2 ↔ PR2 + TL2 ↔ TP2 + VL2 ↔ VP2)
Při porovnání je tedy nutno vzít v úvahu polohu každého HS obrazce (PL – levé, PR – pravé),
jeho tvar (TL, TP), velikost (VL, VR) a současně určité vzájemné souvislosti mezi pravým a levým
HS obrazcem. Souvislosti jsou reprezentovány znakem „↔“. Například TL ↔ TP představuje
výsledek operace shody na tvar HS obrazce levého a pravého oka. Číselné indexy indikují číslo
pacienta, neboli jeden ze dvou porovnávaných HS obrazců.
Zde jsou uvedeny některé příklady reálných měření.
a)
b)
Obrázek 8.13: Značná podobnost dvou HS obrazců a) a b) lišících se nepatrně polohou a rozměry.
a)
b)
Obrázek 8.14: Značná podobnost dvou HS obrazců a) a b) lišících se zejména rozměry.
a)
b)
c)
Obrázek 8.15: Poněkud odlišné obrazce a), b) a c), ale přesto podobné tvarem i celkovou diagnózou.
Obrázek 8.13 představuje dva velmi podobné, téměř stejné, HS obrazce. O jejich podobnosti co
do tvaru a velikosti není pohyb. Obrázek 8.14 již uvádí HS obrazce ne tak zcela stejné, ale
přesto si jsou zcela podobné tvarem i když se poněkud liší velikostí. Poslední Obrázek 8.15
udává vzorový příklad tří velmi si podobných obrazců, kdy základní diagnóza je všem obdobná
(hypofunkce svalů levého a hyperfunkce pravého oka) a liší se pouze v dalším upřesnění
(konvergence / divergence, hypertropie / hypotropie, …). Z podaných HS obrazců je zřejmé
prvotní zaměření na základní tvar a poté na jeho skutečnou velikost neboli rozměr.
61
8.10 Matematický popis HS obrazce a možné příznaky
Obrazec HS vyšetření se skládá z 9 bodů. Uvažujeme nyní pro jednoduchost pouze malý
čtverec. Pro názornost v obrazci vytvoříme 12 hran neboli úseček spojující určité body. Stejný
postup používají i lékaři.
a)
b)
c)
Obrázek 8.16: Tvorba HS obrazce pro další zpracování: a) základní stimulační body, b) uvažované hrany HS
obrazce, c) HS obrazec ve formě tabulky.
Obrázek 8.16a zachycuje body originálního stimulačního obrazce pro HS vyšetření. Obrázek
8.16b již obsahuje hrany vytvořené spojením některých bodů v obrazci a Obrázek 8.16c jejich
vložení do pomyslné tabulky zde využívané dále při popisu a zpracování HS obrazce. Nejprve
definujeme několik základních symbolů neboli popisů pro jednotlivé hrany HS obrazce pacienta
v závislosti na originálním HS obrazci, jako jsou:
-
Hrana: rovná a kratší než originál, rovná a stejná délka s originálem, rovná a delší než
originál.
Hrana: otočená vpravo a kratší, otočená vpravo a stejná délka, otočená vpravo a delší,
Hrana: otočená vlevo a kratší, otočená vlevo a stejná délka, otočená vlevo a delší
a)
b)
Obrázek 8.17: Příklady symbolického vyjádření jednotlivých hran u dvou reálných HS obrazců.
Obrázek 8.17a a Obrázek 8.17b zachycují dva různé HS obrazce převedené na vyjádření pomocí
definovaných symbolů. Dostaneme tedy 9 možností pro každou hranu, tři do úhlu a tři do
délky. Celkový počet kombinací pro všechny možné, ne však nutně existující tvary obrazce pro
jedno oko (12 hran po 9 možnostech):
9 * 9 * 9 * 9 * 9 * 9* 9* 9 * 9 * 9 * 9 * 9 = 912 = 282429536481
Celkový počet přípustných obrazců NC je dán počtem všech existujících obrazců vycházejících
ze symbolického popisu NS zmenšeným o počet principiálně neexistujících obrazců NN a počet
62
lékařsky nepřípustných obrazců NL. Hodnotu NN by bylo možno získat matematicky, ale
hodnotu NL v podstatě snadno získat nelze.
NC = NS - NN - NL
Všechny tvary jednoho HS obrazce nemusí být však přípustné. Přesto jich je určitě velmi
mnoho. Další charakteristickou vlastností HS obrazce je posun jeho středu v ose X a Y a
současně pootočení celého HS obrazce (postup výpočtu této hodnoty je uveden v kapitole 9.1).
Každá z těchto položek může rovněž symbolicky nabývat tří základních hodnot: -1 (záporný
posun nebo pootočení), 0 (žádný posun nebo pootočení), +1 (kladný posun nebo pootočení).
Celkový počet možností se tedy zvyšuje na 3 * 3 * 3 * 912 = 7625597484987.
Diagnóza je však stanovena vždy pro obě oči současně a to podle jejich vzájemné polohy a
tvaru. Spočteme-li možnosti pro obě oči současně, tak dostáváme maximálně (3 * 3 * 3 * 912) *
(3 * 3 * 3 * 912) možností. Závorky jsou uvedeny pouze pro názornost. Ještě více nepříznivá
situace nastane, vezme-li v úvahu současně i velký čtverec HS obrazce, například Obrázek 8.4,
který může být od malého dostatečně odlišný. Při testu jsou velmi často využívány oba čtverce,
tedy malý i velký, ovšem v literatuře je často uveden pouze malý. V případě použití i velkého
čtverce z HS obrazce dostáváme tedy neskutečně velký počet množných tvarů HS obrazců
zahrnujících obě oči současně:
( ( 3 * 3 * 3 * 912 ) * ( 3 * 3 * 3 * 912 ) ) * ( ( 3 * 3 * 3 * 912 ) * ( 3 * 3 * 3 * 912 ) )
Závorky jsou opět uvedeny pouze pro názornost. A to neuvažujeme skutečnosti jako například:
některá hrana je zcela mimo nebo přinejmenším vede mimo záznamovou plochu. Toto vše
nadále zvyšuje počet všech možností tvarů. Posuzování obrazce z jeho pozice, pootočení a
tvaru (směrů a délek hran) se však jeví jako velmi výhodné. Ideální případ by spočíval
v sestavení tabulky, neboli slovníku převádějící tvar konkrétního HS obrazce na konkrétní
diagnózu. Tato snaha by však nebyla zcela úspěšná ze dvou následujících důvodů:
-
-
Pro mnoho typů obrazců nebudou zřejmě nikdy dostupné příklady s diagnózou. Část
tabulky nebo slovníku obsahující diagnózy by byla velmi řídká. V tabulce nebo slovníku
se nelze spolehnout na souseda, ten může mýt zcela jinou diagnózu, podle svého
tvaru.
Rozsah položek, tedy variant HS obrazců je skutečně mnoho a z toho plynoucí
paměťová náročnost tohoto řešení by byla zřejmě neúnosná.
Tento způsob symbolického zápisu HS obrazce se však jeví pro další zpracování, zejména
matematické jako nejvhodnější. Proto byla uskutečněna určitá analýza získaných obrazců
s ohledem na uvedenou symbolickou reprezentaci. Množinu oklasifikovaných příkladů tvoří
něco přes 100 HS obrazců. Úkolem bylo otestovat četnost tvarů HS obrazců v symbolickém
popisu na některých dalších skutečnostech. Obrazec zdravého člověka byl zastoupen pouze
jednou. Výsledek však není příliš uspokojivý:
A) Četnost celkových symbolických tvarů HS obrazců (celkem záznamů 115, položek v
histogramu 106). Položky v řetězci označují buď číselné vyjádření symbolu pro hranu (0
63
až 8 pro 9 symbolů), nebo pro posun případně potočení (0, 1, 2 pro základní směr
posunu nebo potočení).
symbolický tvar = 000000000000000000000000000000, počet příkladů = 5
symbolický tvar = 000000000000000200000000000000, počet příkladů = 3
symbolický tvar = 000002220000000000001110000000, počet příkladů = 3
symbolický tvar = 000020000000000000000000000000, počet příkladů = 2
symbolický tvar = 000000000000000100100001130010, počet příkladů = 1
…
symbolický tvar = 220000800066602100003031003000, počet příkladů = 1
B) Četnost vyskytujících se kombinací diagnóz (celkem záznamů 115, položek
v histogramu 50)
složená diagnóza = H500,H532, počet příkladů = 8
složená diagnóza = H508 a H500,H502,H532 počet příkladů = 7
složená diagnóza = H492,H500,H532 a H501,H502,H532 a S023,H502,H523 příkladů = 6
složená diagnóza = OK a H490,H491,H492 a H502,H532 počet příkladů = 4
složená diagnóza = S023,H508 a H508,H532 a H490,H502,H532, počet příkladů = 3
složená diagnóza = H502 a ...(8x)… a H502,H508,H532, počet příkladů = 2
složená diagnóza = H493,H501,H502,H532, počet příkladů = 1
…
složená diagnóza = H491,H502,H532,H533, počet příkladů = 1
C) Dílčí diagnostický kód na počet symbolických HS tvarů
dílčí diagnostický kód = H532, počet obrazců = 64
dílčí diagnostický kód = H502, počet obrazců = 42
dílčí diagnostický kód = H500, počet obrazců = 29
dílčí diagnostický kód = H508, počet obrazců = 19
dílčí diagnostický kód = H492, počet obrazců = 17
dílčí diagnostický kód = H501, počet obrazců = 15
dílčí diagnostický kód = H490, počet obrazců = 13
dílčí diagnostický kód = S023, počet obrazců = 12
dílčí diagnostický kód = H491, počet obrazců = 12
dílčí diagnostický kód = H523, počet obrazců = 10
dílčí diagnostický kód = H524, počet obrazců = 7
dílčí diagnostický kód = H499 a H498 a H522, počet obrazců = 4
dílčí diagnostický kód = H533, počet obrazců = 3
dílčí diagnostický kód = D333 a H520, počet obrazců = 2
dílčí diagnostický kód = H511 a H530 a H55 a I639 a H46 a H493, počet obrazců = 1
D) Počet současně přiřazených dílčích diagnostických kódů na jeden symbolický popis
obrazce
počet dílčích diagnostických kódů = 5, počet obrazců = 1
počet dílčích diagnostických kódů = 4, počet obrazců = 11
počet dílčích diagnostických kódů = 3, počet obrazců = 47
počet dílčích diagnostických kódů = 2, počet obrazců = 29
64
počet dílčích diagnostických kódů = 1, počet obrazců = 27
Z prvního testu A vyplývá, že téměř každý získaný výstup pacienta je v podstatě unikátní. Záleží
samozřejmě na skutečnosti, jaký úhel hrany a její délku ještě považujeme za shodnou. Větší
četnosti u některých obrazců jsou dány zejména větším množstvím obrazců od téhož pacienta,
pořízené po určitém čase se stejnou diagnózou. Výsledek tohoto testu není pro automatickou
klasifikaci příznivý. Tedy podle takto stanovených příznaků.
Z druhého testu B je zřejmý počet již 50 rozdílných výstupních diagnóz pouze na našem malém
omezeném množství příkladů. Celková diagnóza je dána kombinací dílčích kódů. Lze však
předpokládat, že s přibývajícím počtem příkladů se již bude počet možností diagnóz zvyšovat
poněkud pomaleji. Ani tento výsledek však není pro automatickou klasifikaci nikterak příznivý.
Třetí test C udává kolik obrazců je přidruženo k jedné dílčí diagnóze. Pro automatické
zpracování toto není mnoho. Rovněž je zřejmé, že mnoho symbolických popisů je přiřazeno do
několika dílčích diagnóz současně. Klasifikace podle dílčích diagnóz je rovněž nepříznivá.
Poslední test D již zřetelně uvádí, jak jsou obrazce mezi dílčími diagnózami provázány. Pět
různých diagnóz je u jednoho obrazce, čtyři různé diagnózy u 11 obrazců, tři různé diagnózy u
47 obrazců atd. Lze tedy říci, že například 11 tvarů je obsaženo ve 4 různých diagnózách, 47
tvarů ve třech různých diagnózách atd. Zdaleka tedy není předpoklad jednoho obrazce k jedné
diagnóze.
Samozřejmě existují metody pro analýzu příznaků, které detekují, zda daná třída na daném
příznaku záleží či nikoli, nebo jaké příznaky jsou významné a jaké nikoli. Jak jednotlivé příznaky
ovlivňují klasifikaci do tříd a další. K tomuto by však bylo zapotřebí mnohem většího počtu
klasifikovaných příkladů a ty nejsou a možná nikdy nebudou k dispozici. Další možností je snížit
počet příznaků získaných z HS obrazce, například použitím menšího počtu hran. Rovněž
vyvstává otázka, zda poskytnutý počet příkladů je pro toto rozhodnutí dostačující.
Pro vytvoření úspěšné klasifikace do zhruba 50 diagnóz složených z dílčích kódů bychom
potřebovali nejlépe přes tisíc příkladů a to od různých pacientů. Tohoto stavu v podstatě nelze
dosáhnout, neboť nashromáždění současných zhruba 100 pacientů je výstupem skutečně velké
nemocnice (v Praze Motole) za období zhruba 5 let. Získání 1000 příkladů je tedy nereálné.
Musí se brát v úvahu rovněž skutečnost, že s větším počtem příkladů může částečně vzrůst i
množství diagnóz i když pomaleji a bude tedy rovněž opět potřeba ještě více příkladů.
Vzhledem k omezenému počtu klasifikovaných příkladů nelze tedy vhodně použít ani učení
s učitelem pro: příklad – diagnóza.
8.11 Interpretace (příznakového / symbolického) popisu HS obrazce
Při popisu HS obrazce může být použit soubor stanovených příznaků nebo symbolů. Jako
příznaky lze uvést přímo pozice bodů umístěných pacientem (souřadnice X a Y) a jako symboly
lze uvést popisy hran (kratší, delší atd.). Při jakékoli klasifikaci HS obraze nebo jako zpracování
bude nutno tyto příznaky nebo symboly nějak využít. Zde je však nutno upozornit na jednu
velmi podstatnou skutečnost a to že určení neboli význam tvaru HS obrazce z hlediska
stanovení, přesněji řečeno návrhu, diagnózy nikterak nezáleží pouze na jednom jediném
konkrétním příznaku nebo symbolu, ale v podstatě na vzájemném vztahu všech příznaků nebo
symbolů a to současně.
65
Je-li jedna určitá hrana HS obrazce pacienta například delší než tatáž hrana originálního HS
obrazce, tak tato skutečnost sama o sobě nic nevypovídá o celkovém tvaru HS obrazce a tedy
v podstatě neobsahuje žádný podstatný přínos do výstupní diagnózy. V tomto okamžiku záleží
rovněž na téměř všech stavech ostatních hran v HS obrazci. Uveďme velmi jednoduché
příklady:
-
-
-
Je-li delší pouze jedna hrana HS obrazce pacienta, tak se velmi pravděpodobně jedná o
nepřesnost nebo chybu pacienta při testu.
Je-li rovněž delší pouze i sousední hrana v HS obrazci pacienta téhož oka a na druhém
oku jsou tyto odpovídající si hrany správné, tak se velmi pravděpodobně jedná o
nějakou nervovou poruchu.
Je-li rovněž delší pouze i sousední hrana v HS obrazci pacienta téhož oka a na druhém
oku jsou tyto odpovídající si hrany obě kratší, tak se velmi pravděpodobně jedná a
nesprávnou funkci okohybného svalu na druhém oku.
… takto lze pokračovat dále …
Je tedy zcela zřejmé, že v podstatě nelze v žádném případě zpracovat některý příznak nebo
symbol HS obrazce zcela samostatně. Jeho skutečný význam, tedy ve smyslu příspěvku do
výsledné diagnózy je dán teprve podle stavu ostatních příznaků nebo symbolů popisujících HS
obrazec. Význam příznaku nebo symbolu však není omezen pouze na HS obrazec jednoho oka,
ale rovněž na HS obrazce obou očí současně jak bylo uvedeno v příkladech s významem hrany.
Avšak při návrhu / stanovení celkové diagnózy je třeba brát ohled nejen na vztah příznaků
nebo symbolů popisujících pouze hrany v rámci tvarů HS obrazců obou očí, ale rovněž
současně na příznaky nebo symboly popisující posun a potočení HS obrazce:
-
Je-li určitá hrana správná a posun i potočení nulové, jde velmi pravděpodobně o
zdravého jedince.
Je-li určitá hrana správná ale posun nebo potočení není nulové, jde velmi
pravděpodobně o některou nervovou poruchu.
Přestože lze vytvořit vcelku jednoduchý příznakový nebo symbolický popis HS obrazce,
například pomocí tvaru hran a směru posunu i pootočení, tak jeho celková interpretace nebo
zpracování nemusí být zdaleka tak jednoduché. Nelze tedy uvažovat jednotlivé příznaky nebo
symboly samostatně, ale vždy pouze ve vztahu k ostatním a to bohužel v podstatě ke všem
současně.
Popis HS obrazce má výrazně relační charakter, neboť jeho hodnocení závisí na vzájemné relaci
všech příznaků nebo symbolů, které HS obrazec obsahuje. Chceme-li například popsat HS
obrazec zdravého jedince, tak musíme uvažovat skutečně všechny příznaky (jejich hodnoty)
nebo symboly (jejich stav). Příklad takového popisu může být následující:
Zdravý jedinec =>
(hrana 1 = OK) AND (hrana 2 = OK) AND … AND (hrana 8 = OK) AND
(posun X = 0) AND (posun Y = 0) AND (rotace = 0)
Z naznačeného popisu HS obrazce nebyl nalezen takový průmět, který by využíval menší počet
atributů umožňující zúžení množiny možných hodnocení. Jedná se tedy o zcela relační popis.
66
9 Reprezentace dat z HS obrazce
Pro snadné zpracování HS obrazce je nutno vytvořit jeho vhodnou datovou reprezentaci.
V tomto směru se vychází z různých algoritmů umělé inteligence jako, jsou příznakové a
strukturální rozpoznávání [10,11]. V naměřených datech mohou být i značné nepřesnosti nebo
dokonce nechtěné chyby. V podstatě nelze posuzovat přímo absolutní pozice umístěných bodů
pacientem. Z tohoto důvodu je nutno vytvořit abstraktnější popis na poněkud vyšší úrovni,
která by HS obrazec vhodně charakterizovala a nebyla příliš náchylná k nepřesnostem
plynoucích z reálných dat. Jako vhodná reprezentace se naskýtá popis pomocí parametrizace
již dříve zmíněných hran, tj. jejich směrů a délek. Je tedy snaha o vytvoření tzv. symbolického
popisu HS obrazce, který by vhodně reprezentoval reálný HS obrazec pacienta a přitom byl do
jisté míry tolerantní k možným nepřesnostem nebo dokonce chybám pacienta.
Dále v popisu se vyskytují pojmy jako obrazec nebo hrana a je potřeba je definovat:
Originální obrazce – HS obrazec vzniklý pospojováním příslušných stimulačních bodů při
vyšetření pomocí HS plátna. Jedná se v podstatě rovněž o obrazec dravého jedince.
Originální hrana – jedna hrana originálního HS obrazce.
HS obrazec (neboli obrazec pacienta) – HS obrazec vzniklý pospojováním příslušných bodů
umístěných pacientem při vyšetření pomocí HS plátna.
Hrana HS obrazce (pacienta) – jedna hrana HS obrazce vytvořeného z příslušných bodů
umístěných pacientem.
Nejprve je nutno vytvořit určité základní ustanovení. Obrázek 9.1a zachycuje všechny originální
stimulační body na Hessově plátně. Body tvoří dva soustředné čtverce, menší a větší. Postup
průběhu vyšetření byl již popsán. Jednotlivé body menšího i většího čtverce si nejprve
označme. Pro matematické zpracování by bylo vhodné použít označení pomocí čísel „od –X do
+X“ pro osu X a „od –Y do +Y” pro osu Y. Za X nebo Y lze dosadit čísla 0, 1, 2 atd. Aby bylo
značení přijatelnější i pro lékaře, kteří používají slovní označení jako „vlevo“, „vpravo“,
„nahoře“ a „dole“, tak bylo zavedeno označení Ln = (left) kolikátý bod vlevo, Rn = (right)
kolikátý bod vpravo, Un = (up) kolikátý bod nahoru a Dn = (down) kolikátý bod dolů od
středového bodu. Příslušné písmeno tedy značí směr a následující kladná číslice udává polohu
bodu v daném směru od středu HS obrazce. Každý bod obsahuje tedy jak souřadnici ve
vodorovné ose L nebo R, tak rovněž souřadnici ve svislé ose U nebo D, například: L1U1 = od
středu první pozice vlevo a současně první pozice nahoru, R2U1 = od středu druhá pozice
vpravo a první dolu. Výjimku tvoří středový bod, kde by současné možné označení L0, nebo R0
bylo matoucí, obě by totiž byly přípustné, tak je označen jako: C0C0 = (center) středový bod.
Písmena R, L, U a D tedy nikdy nejsou následována indexem „0“ a před indexem „0“ se tedy
vždy vyskytuje pouze písmeno „C“.
67
L2U2
L2C0
L2D2
C0U2
R2U2
L1U1
C0U1
R1U1
L1C0
C0C0
R1C0
L1D1
C0D1
R1D1
R2C0
C0D2
LU
CU
RU
LC
CC
RC
LD
CD
RD
R2D2
b) zobecněný obrazec
a) vnitřní i vnější obrazec na
plátnějednotlivých stimulačních bodů tvořících originální HS obrazec.
Obrázek Hessově
9.1: Pojmenování
Označení pomocí R, L, U a D je vhodné rovněž z dalšího důvodu. Při samostatném zpracování
jak menšího, tak i většího obrazce, případně jeho samostatném zobrazení, lze místo celých
názvů bodů použít zkrácené, například: L1U1 –> LU (vlevo nahoře), nebo C0R1 –> CR (vpravo
rovně), protože všechny indexy jsou vždy shodné a to buď 1, nebo 2. Což velmi zpřehledňuje
výstup. Obrázek 9.1a zachycuje celkový popis bodů obou čtverců a Obrázek 9.1b zachycuje
popis pouze jednoho, například menšího čtverce. Tedy čtverce se zjednodušeným označením
bodů.
Další důvod pro zvolení písmen při označení bylo jejich vhodné využití v identifikaci spojnic
vedoucích z jednoho bodu do druhého, jako například LC-CC -> spojnice z levého středního
bodu do středového bodu, RD-RC -> spojnice z pravého dolního bodu do pravého středního
bodu. Takto identifikované spojnice jsou mnohem přehlednější než v případě kladných a
záporných čísel v příslušné ose. Obrázek 9.2a uvádí identifikaci jednotlivých úseček vždy mezi
dvěma příslušnými body.
68
RU
CU
RU-CU
LD
RU-CU
RU-CU
RU-CU
RC
CD
90 st
0 st
180 st
270 st
CC
RU-CU
RU-CU
LC
RU-CU
RU-CU
RU-CU
RU-CU
LU
RD
+
RU-CU
RU-CU
a) hrany mezi body obrazce
b) základní směry v obrazci
Obrázek 9.2: Souvislost jednotlivých stimulačních bodů a vytvořených hran v HS obrazci.
Obrázek 9.2b rovněž označuje směry jednotlivých úseček. Každá úsečka, tedy hrana, v podstatě
tvoří vektor, který je charakterizován směrem a délkou. Aby směry vhodně korespondovali
s názvy stran (tedy L, R, U a D), tak byly zvoleny následující základní úhlové směry: R = 0st, pro
U = 90st, L = 180st a D = 270st. Pokud jsou tedy uvažovány „základní neboli originální“ úhly
stran, tak jsou to právě tyto. V dalším textu bude používáno označení HS obrazec, případně
jeho hrana a současně originální obrazce, případně jeho hrana.
9.1 Několika úrovňový popis dat
Déle je uveden popis vytvořeného několika úrovňového popisu HS obrazce. Nejnižší úroveň
obsahuje v podstatě přímo pozice bodů umístěných pacientem, vyšší úroveň symbolické
vyjádření směru nebo délky hran mezi některými body a nejvyšší již pouze strukturální tvar HS
obrazce. Vytvořený několika úrovňový popis se tedy skládá z následujících částí:
-
-
-
Úroveň A – Přímo naměřené hodnoty, tedy pozice bodů umístěných pacientem. Jde
v podstatě o číselné příznaky získané přímo z vlastního měření. Příznak představuje
pozici bodu HS obrazce v ose X a Y neboli pozici ve 2D ploše.
Úroveň B – Nově vzniklé příznaky. Vzniklé extrakcí neboli odvozením z příznaků
obsažených v úrovni A. Zde je každý příznak reprezentován vektorem. Tento nový
příznak neboli vektor tvoří vždy hranu mezi dvěma příslušnými body v HS obrazci a
obsahuje dvě hodnoty: úhel a délku. Celý obrazec je tedy popsán pomocí několika
příznaků v podobě vektorů obsahujících však další upřesňující číselné údaje. Stále se
ale jedná o příznakový a tedy kvantitativní popis. V popisu je samozřejmě přítomen
celkový posun a pootočení HS obrazce.
Úroveň C – Na této úrovni je již vytvořen jistý symbolický popis HS obrazce. HS obrazec
již není popsán pomocí kvantitativních číselných příznaků, ale pomocí vhodných
kvalitativních symbolů. Tyto symboly reprezentují typy jednotlivých hran, neboli
spojnice určitých dvojic bodů a společně tvoří celkový tvar HS obrazce. Je definováno
několik těchto symbolů pro popis různých variant hran ve smyslu směru a délky. Každý
69
-
symbol je však doplněn určitou hodnotou. Jde tedy v podstatě již o symbolický neboli
kvalitativní popis HS obrazce. V popisu je samozřejmě přítomen celkový posun a
pootočení obrazce.
Úroveň D – Na této úrovni jsou již obrazce popsány pomocí tzv. primitiv představující
tvary HS obrazce. Jedno primitivum symbolizuje celkový tvar obrazce. Jde tedy již o
zcela kvalitativní popis. Ne všechny HS obrazce obsahují popis na této úrovni, tj. ne pro
všechny tvary HS obrazců jsou definována primitiva. V popisu je samozřejmě přítomen
celkový posun a pootočení obrazce.
Pro jednoduchost pří tvorbě víceúrovňového popisu je zde uvažován pouze jeden a to vnitřní
čtverec HS obrazce. Ve většině učebnic zabývajících se strabismem je rovněž uvažován pouze
tento vnitřní čtverec. Jako příklady při popisu jednotlivých úrovní vytvořeného popisu jsou
využity výstup skutečných měření.
Úroveň A. Na této úrovni jsou přítomny pouze pozice jednotlivých bodů umístěných pacientem
v HS obrazci a to formou jejich absolutních číselných hodnot v ose X a Y neboli ve 2D ploše se
středem v centrálním stimulačním bodě uprostřed HS obrazce. Jednotlivé body tedy tvoří
příznaky HS obrazce.
a)
b)
Obrázek 9.3: HS obrazec na úrovni popisu A: a) reálný výstup pacienta, b) reprezentace na úrovni A.
Obrázek 9.3a znázorňuje reálný výstup HS obrazce pacienta a Obrázek 9.3b jeho reprezentaci v
úrovni A pouze pomocí skutečných souřadnic jednotlivých bodů, tedy naměřených příznaků.
V pomyslné tabulce je na pozici příslušného bodu v horním řádku identifikace tohoto bodu a
v dolním řádku nejprve pozice v ose X a za čárkou pozice v ose X (nikoli desetinné číslo). Každý
příznak obsahuje unikátní identifikaci, tedy identifikaci bodu a je tvořen v podstatě vektorem
obsahujícím dvě hodnoty a to pozici bodu v ose X a Y. Popis na této úrovni obsahuje 9
příznaků. Zde jsou uvedeny některé výhody a nevýhody této nejnižší úrovně popisu:
-
(-) Přímo naměřená zaznamenaná data neboli hodnoty získané měřením.
(-) Bod je charakterizován svojí absolutní hodnotou, nikoli vztahem k ostatním
bodům.
(-) Nelze snadno porovnávat záznamy pořízené na přístrojích s odlišným rozestupem
stimulačních bodů, nebo dvou pacientů z důvodu nepřesnosti záznamů.
(-) Nelze snadno porovnat dva HS obrazce na tvar.
(-) Nelze snadno detekovat poruchy složené z několika dílčích, jako například
samostatně posun HS obrazce, pootočení HS obrazce atd.
70
Při hledání podobných příkladů za účelem návrhu diagnózy není tento popis příliš vhodný,
protože každé měření, a to i opakované u téhož pacienta je poněkud odlišné nebo
přinejmenším zatíženo určitou nepřesností. I při opakovaném měření jsou tedy vždy obdrženy
poněkud odlišné příznaky. Velmi by záleželo na stanovené toleranci při hledání podobného
příkladu. Jde tedy o příznakový popis, kde příznaky jsou přímo pozice naměřených bodů.
Úrovň B Základní požadavky pro vytvoření tohoto vyššího popisu byly následující:
-
Získat samostatné / oddělené informace o posunu a pootočení obrazce.
Oddělit tvar obrazce od jeho posunutí a pootočení.
Předešlé dva požadavky mohou velmi usnadnit nejen hodnocení, ale zejména porovnávání
dvou HS obrazců od různých pacientů.
Nejprve je tedy nutno detekovat posun obrazce v ose X a Y. Vyvstává však otázka: „Podle čeho
hodnotit celkový posun obrazce?“. Geometrický střed obrazce, případně jeho těžiště nikterak
využít nelze z důvodu možné i velké deformovanosti obrazce ve smyslu protažení či zkrácení
vlyvem poruchy. Stejný problém nastavává při použití směrů a délek hran. Ty mohou být
rovněž značně zatížené nepřesností nebo dokonce chybou. V tomto okamžiku však zdaleka
nehledáme skutečný střed HS obrazce, ale určitý bod odpovídající pohledu pacienta na
centrální stimulační bod v originálním HS obrazci. V naprosté většině případů by mělo jit o
centrální bod umistěný pacientem. Ten však může rovněž obsahovat určitou nepřenost, nebo
dokonce chybu. Tu však nejsme schopni snadno detekovat. Přesto byl pro stanovení posunu
v ose X a Y vybrán právě středový pod umístěný pacientem a to z následujících důvodů:
-
-
Směr poruchy je vždy převládající do určitého směru. I při vzniku chyby ze strany
pacienta je velmi nepravděpodobné umístění středového bodu do nesprávného, tedy
opačného směru.
Posunutí HS obrazce indikuje pouze určitou část z diagnózy a její nesprávné určení
tedy neznamená selhání celého diagnostického procesu.
Výsledná diagnóza na číselné velikosti posunutí obrazce zaleží velmi málo. Je dána
zejména jeho směrem.
Výstupem tedy bude příznak indikující směr posunutí v ose X a současně v ose Y. Mnohem
závažnější je stanovení celkového pootočení obrazce. Zde jsou následující problémy:
-
Středový bod využít nelze, neboď z něho nelze potočení stanovit. Jedná se pouze o
pozici bodu, nikoli o směr.
Směry hran vycházející ze středového bodu mohou být odchýleny v důsledku poruchy
pacienta. V menším případně vlivem nepřesností.
Nelze jej stanovit například ani z průměru všech hran. V důsledku poruchy pacienta
mohou být dvě hrany zcela správné a ostatní značně odchýlené. Větší počet je zde tedy
těch odchýlených.
Je zcela zřejmé, že celové potočení HS obrazce je přesto nutno stanovit ze směru jeho hran a to
raději pouze některých. Jak však tyto vhodné hrany zvolit. Pro řešení tohoto problému byly
71
využity poznatky získané v kapitole o analýze dat. Obrázek 8.2 uvádí průměrnou odchylku
jednotlivých hran při uskutečněném pomalém i rychlém chybovém testu a Obrázek 8.4 uvádí
reálné měření pacienta. Lze z nich získat následující závěry:
-
Vodorovné hrany ve většině případů obsahují správný nebo alespoň správnější směr.
Nejmejší chyba je tedy obsažena ve vodorovných hranách.
Vodorovné hrany jsou tudíž nejvhodnější pro stanovení celkového potočení.
Svyslé hrany jsou velmi často odchýleny v důsledku poruchy pacienta.
Svislé hrany však obsahují převážně stejnou míru chyby.
U svislých hran lze tedy využít určité průměrování.
Postup pro stanovení celkového pootočení HS obrazce je uskutečněn následovně:
-
-
-
A) Nalezení minimálně poloviny vodorovných hran jejichž pootočení, přesněji řečeno
směr se liší méně než o určitou hodnotu Xmin. Hran jejich pootočení je tedy téměř
shodné. Hrany s nejmenší vzájemnou odlišností v pootočení obsahují pravděpodobně
stejné potočení. Výsledné potočení obrazce je dáno přůměrem z potočení takto
nalezených hran. Nejprve jsou tedy preferovány vodorovné hrany. Správnost však není
zaručena. Pokud toto selže přecházíme k bodu B.
B) Nalezení největšího počtu ze všeh hran v HS obrazci lišících se méně než o určitou
hodnotu Xmin. Hrany s nejmenší vzájemnou odlišností obsahují pravděpodobně stejné
potočení. Při hodnocení souboru nalezených hran mají vodorovné hrany váhu 1.5 a
svyslé pouze 1.0. Vodorovné hrany jsou váženy vyšší hodnotou, protože jejich chyba je
průměrně poloviční oproti svyslým hranám a je vhodné je tedy upřednostnit. Je však
potřeba najím skupinu nimimálně tří hran. Výsledné potočení obrazce je dáno
přůměrem z potočení takto nalezené skupiny hran. Toto vychází z předpokladu, že
pokud je HS obrazec téměř čtvercový a pouze pootočen, tak je potočení jednotlivých
hran velmi blízké. Správnost však není zaručena. Pokud toto selže přecházíme k bodu
C.
C) Nelze určit podle kterých hran pootočení stanovit. Směr každé hrany může být jiný.
Jde tedy o nalezení největšího počtu hran s nejbližší hodnotou pootočení. Zde již
samozřejmě přesahující stanovenou hodnotu Xmin. Výsledné potočení obrazce je dáno
průměrem z potočení takto nalezeného souboru hran.
Tolerance v potočení hran Xmin byla stanovena na hodnotu 10st, což vyplývá z analýzy
detekovaných nepřesností v kapitole 8.2. Nepřesnost pacienta byla totiž stanovena právě na
hodnotu zhruba 10st. Větší odchylku již velmi pravděpodobně nelze považovat za nechtěnou
chybu pacienta, ale za hranu s jiným úhlem neboli odlišným směrem.
Podle výsledného celkového potočení HS obrazce je nutno korigovat skutečný směr jednotlivýh
hran obrazce. V podstatě úvěst obrazec do tzv. normovaného stavu z hlediska pootočení. Je
tedy nutno toto celkové potočení odečíst od směru jednotlivých hran a tím tvar HS obrazce od
něho dostatečně oddělit. Přechodem z úrovně A na úrověň B byla vykonána transformace
jedné sady příznaků na jinou sadu příznaků ve smyslu:
72
příznaky A body (pozice X, poizce Y) → příznaky B posun (směr, velikost) +
příznak B pootočení (směr, velikost) +
příznaky B hrany (úhel, délka)
Příznaky úrovně B zcela vycházejí z příznaků úrovně A, avšak jsou pro další zpracování mnohem
vhodnější. Vznikly jejich extrakcí. Současně došlo k rozdělení původního jednoho souboru
příznaků na tři nové soubory příznaků a to:
-
Příznaky posunu pro osu X a Y. Představují kvantitativní hodnotu udávající posun HS
obrazce.
Příznak pootočení. Představuje kvantitativní hodnotu udávající potočení HS obrazce.
Příznaky hran. Představují kvantitativní příznaky, neboli vektory obsahující směry a
délky jedotlivých hran. Směr hran je korigován podle celkového detekovaného
pootočení HS obrazce.
Popis na této úrovni tedy obsahuje: 2 (posun X a Y) + 1 (potočení) + 12 (hrany) = 15 příznaků
pro každé oko. Na této úrovni již nejsou reálné hodnoty jednotlivých naměřených bodu, ale
určité příznaky neboli vektory tyto body spojující. Přesněji řečeno spojující pouze některé
body. Obrázek 9.4 nastiňuje popis HS obrazce na této úrovni. Hodnoty vektorů jsou uvedeny
v políčku představující příslušnou hranu. Za písmenem B je vždy nejprve uveden úhel ve
stupních a poté délka hrany rovněž ve stupních z pohledu pacienta. Základní směry úhlů jsou
použity podle dřívějšího ustanovení. Délka hrany je uvedena ve stupních pro nezávislost na
vzdálenosti pacienta od HS plátna.
a)
b)
Obrázek 9.4: Příklad popisu HS obrazce na úrovni B: a) číselné příznaky úrovně B, b) číselné příznaky úrovně B se
zobrazeným reálným HS obrazcem pro názornost jejich shody.
Uvažujeme-li příznaky jednotlivých hran samostatně, tak se jedná stále pouze o příznakový
popis. Uvažujeme-li vzájemný vztah těchto příznaků k vytvoření celkového tvaru obrazce, tak
se jedná v podstatě již o strukturální popis. Tvar HS obrazce není tvořen pouze souborem
těchto příznaků, ale současně jejich vzájemným vztahem. Některé výhody a nevýhody popisu
na této úrovni:
-
(+) Odělený posun a pootočení HS obrazce od jeho tvaru.
(+) Snadnější pro hodnocení využívající samosatně tvaru HS obrazce.
(+) Snadnější porováváví dvou HS brazců od různých pacientů.
(-) HS obrazec stále vyjádřen pomocí kvalitativních neboli číselných hodnot.
(-) Stále složitá detekce několika kombinovaných poruch.
73
Úrovně C Tato úrověň již poskytuje dostatečně abstraktní popis HS obrazce. Příznaky z úrovně
B byly vhodně tranformovány na symboly úrovně C stylem:
příznak posunu (velikost) → symbol posunu (směr, [velikost])
příznak pootočení (velikost) → symbol pootočení (směr, [velikost])
příznak hrany (úhel, délka) → symbol hrany (směr [úhel], délka [velikost])
Na úrovni B byly posun a pootočení popsány příznaky obsahující pouze číselnou hodnotu, ale
na úrovni C jsou již popsány symbolem představujícím kvalitativní směr posuvu a potočení a
případně dodatkovou číselnou informací o jeho skutečné velikosti. Rovněž každá hrana byla na
úrovni B popsána příznakem neboli vektorem obsahující pouze číselný absolutní úhel a
absolutní velikost hrany. Na úrovni C jsou pro hrany zavedeny vhodné symboly reprezentující
skutečnou vlastnost hrany. Než však mohou být definvány je nutno stanovit některá ujednání:
-
Hrana má směr „shodný“ pokud se její úhel od originální hrany neliší o více než Xmin.
Hrana má směr „vpravo“ pokud je její úhel menší než originální hrana o více než Xmin.
Hrana má směr „vlevo“ pokud je její úhel větší než originální hrana o více než Xmin.
-
Hrana má délku „stejnou“ pokud se její délka od originální hrany neliší o více než Ymin.
Hrana má délku „kratší“ pokud je její délka menší než délka originální hrany o více než
Ymin.
Hrana má délku „delší“ pokud je její délka delší než délka originální hrany o více než
Ymin.
-
Směr hrany je samozřejmě uvažován až po korekci HS obrazce podle jeho vypočteného
celkového pootočení. Existuje tedy 3 * 3 = 9 možností pro hranu. Tři pro směr a tři pro velikost.
Symbolický popis bude obsahovat 9 symbolů pro hodnocení hrany. Obrázek 9.5 zachycuje
přehled jaké symboly jsou definovány pro popis hran vystihujících tvar obrazce. Definice
symbolů byla vytvořena zejména s přihlédnutím na možnost jejich názorného grafického
zobrazení.
a)
b)
vlevo & delší
příklady znázornění hrany
vpravo & delší
možnosti
hrany
vlevo & kratší
délky hrany
rovná & střední
směry hrany
c)
Obrázek 9.5: Symboly pro možné popisy hran na úrovni C: a) primitiva pro popis konkrétní hrany, b) všechny
možnosti primitiv, c) konkrétní příklady popisu hrany HS obrazce.
Hrana může mít tři možné směry: rovně, vpravo a vlevo a současně tři možné délky: střední,
kratší a delší. Každá hrana má vždy jeden ze směrů a současně jednu z délek a proto je
kombinací příslušného směru a délky. Každé hraně je tedy přiřazen jeden z devíti symbolů.
Můžeme ještě zavést desátý ve smyslu: hrana není definována, například umístěna mimo
obrazovku. Jsou tedy definovány následující symboly:
74
-
rovná & střední, rovná & kratší, rovná & delší (celkem tři)
vpravo & střední, vpravo & kratší, vpravo & delší (celkem tři)
vlevo & střední, vlevo & kratší, vlevo & delší (celkem tři)
nedefinována (celkem jeden)
Symbol nemůže obsahovat pouze směr nebo pouze délku, protože by popis obrazce nebyl
jednoznačný. Uvažujeme-li určité relace, tak by popis obrazce mohl být zapsán jako
posloupnost těchto symbolů, například:
rovná & střední, vpravo & delší, vlevo & delší, rovná & střední, … atd
Celý HS obrazec však není tvořen pouze jednou cestou a proto by bylo nutno jeho popis
rozdělit na několik dílčích popisů patřících mezi určité body, jako například:
-
Od L1U1 do R1U1: rovná & střední, vlevo & delší
Od L1CO do R1CO: rovná & delší, vpravo & střední
atd.
Popis tohoto typu by mohl být vhodný pro rozpoznávání obrazce pomocí některého typu
gramatiky. V našem případě však nejsou gramatiky vhodnou volbou a to z následujících
důvodů:
-
-
Zdaleka neznáme všechny přípustné tvary obrazců pro danou diagnózu a nelze tedy
vytvořit vhodná přepisovací pravidla pro gramatiku.
Obrazec může obsahovat i několik nepřesností neboli dokonce chyb současně a
konstrukce deformační gramatiky nebo dokonce stochastické je velmi složitou
záležitostí. Máme k dispozici pouze omezenou množiku trénovacích dat.
Pomocí gramatiky jde zejména o konstatování zda daná posloupnost „naleží“ nebo
„nenáleží“ do množiny generované danou gramatikou a nikoli jak je posloupnost od
dané gramatiky vzdálena. Což je v našem případě velmi potřebné pro porovnávání
dvou HS obrazců.
Symbolicky však není popsán pouze tvar, ale rovněž i posunutí a pootočení obrazce. V tomto
případě jde o následující symboly:
-
Posun v ose X nebo Y pomocí symbolů: - (záporny), 0 (nulový), + (kladný)
Pootočení pomocí symbolů: - (záporný), 0 (nulové), + (kladný)
Úrověň C tedy již můžeme brát jako zcela symbolickou nebo jako častečně příznakovou (posun
a potočení) a částečně strukturální (tvar obrazce z posloupností symbolů hran). Celkový popis
HS obrazce se nyní skládá z těchto částí:
-
Symboly posunu v ose X a Y. Symbol určující kvalitativní popis směru a případná
dodatková hodnota udávající kvantitativní velikost.
75
-
Symbol pootočení. Symbol určující kvalitativní popis směru a případná dodatková
hodnota udávající kvantitativní velikost.
Symbol (primitivum) určujcí typ hrany nezávisle na pozunutí. Symbol určující
kvalitativní typ hrany a případná dodatková hodnota určuje kvantitativní úhel a délku.
Obrázek 9.6 je výstupem rozpoznání jednotlivých symbolů v HS obrazci pomocí úrovně C.
Posun a potočení HS obrazce je vyjádřeno symbolem černé kostičky a její polohou a potočením
ve středu pomyslné tabulky. Každá hrana je vyjádřena pomocí příslušného hranového symbolu,
který je pro přehlednost reprezentován úsečkou různé tloučtky a současně směrem. Pokud je
hrana na HS obrazci pacienta kratší než na originálním jak je reprezentována sirší čarou a
naopak. Směr je vyjádřen graficky pomocí směru úsečky. Pro přehlednost jsou všechny
možnosti pro hranu, tedy možné symboly vyznačeny na pozadi hrany šedou barvou a v popředí
je tmavě černou barvou vyznačen symbol hraně skutečně příslušející. Ten je zobrazen podle
dříve uvedeného popisu ve smyslu směru a délky hrany.
a)
b)
Obrázek 9.6: Popis HS obrazce na úrovni C: a) pomocí symbolů úrovně C b) úroveň C s příkladem reálného HS
obrazce na pozadí.
Z obrázku je vcelku okamžitě zřejmé nejen jak jsou obrazce pravého a levého oka posunuty
vzhledem ke svému středu, ale současně jaký směr a velikost mají jeho jednotlivé hrany oproti
originálu. Tento popis v podstatě odpovídá stavu pochopení HS obrazce lékařem při jeho
hodnocení.
Jak však stanovit meze pro symbolické vyjádření směru hrany „rovně / vpravo / vlevo“ a její
délky „stejná / kratší / delší“. K tomuto jsou využity informace z analýzy dat z kapitoly 8.2. Pro
určení směru je rovněž použita mezní hodnota 10st, jako v případě detekce celkového
potočení. Pro stanovení délky je taktéž využita hodnota z 30 uskutečněných testů. Obrázek 9.7
podává informaci nikoli o „maximální odchylce úhlů“, ale „maximální odchylce délky“ hran od
originálu. Maximální detekovaná odchylka je tedy zhruba 2.5st z pohledu pacienta. Ta byla
přijata jako mez pro klasifikaci hrany na střední, kratší nebo delší.
Obrázek 9.7: Maximální odchylky v délce hrany při pomalém HS testu při stanovení tolerance pro detekci zkrácení
/ protažení hrany. Výsledek 30 testů popsaných v kapitole 8.2.
76
Obdobně byly stanoveny tolerance pro určení směru posunu a pootočení obrazce. Limity pro
určení posunu v ose X a Y byly získány z posunu pozice středového bodu v příslušném směru
rovněž z již zmíněných 30 testů a to jako hodnota 2st z pohledu pacienta. Limit pro určení
směru potočení byl získán z maximálních hodnot rozdílů směru hran ze stejných 30 testů a byl
stanoven na 10st.
Použitím těchto limitních hodnot a úrovně B lze zcela vytvořit popis úrovně C. Úroveň C je tedy
samozřejmě abstraktnější než úroveň B. Takovýto popis na úrovni C může být společný pro
několik obrazců úrovně B.
Na úrovni C to však nejsou zcela běžné symboly ve smyslu „hrana vpravo“, „hrana vlevo“ nebo
„hrana rovně“. Jde o symboly doplněné určitou kvantitativní hodnotou vhodně využitelnou
později při přesnějším porovnávání dvou HS obrazců. K tomuto kroku bylo přistoupeno
z následujících důvodů:
-
-
Pro hodnocení přesné podobnosti nebo vzdálenosti dvou HS obrazců nemusí být takto
abstraktní symbolický popis vždy dostačující. Mnoho příkladů může mít tento
symbolický popis shodný.
Symbol představuje velmi abstraktní reprezentaci reálného stavu, a proto jej může být
často vhodné doplnit určitou konkretizací neboli konkrétnější hodnotou.
Při přesném stanovení diagnózy mohou být využity i konkrétní číselné hodnoty, avšak
hodnoty přímo z úrovně B nemusí být příliš vhodné.
Z těchto důvodů byly symboly, případně primitiva doplněny dalšími informacemi a to
následovně:
-
Posun v ose X a Y – kromě kvalitativních symbolů „- / 0 / +“ je přítomna rovněž
kvantitativní hodnota posunutí (pouze jako absolutní číslo v příslušném směru).
Pootočení – kromě kvalitativních symbolů „- / 0 / +“ je přítomna rovněž kvantitativní
hodnota pootočení (pouze jako absolutní číslo v příslušném směru).
Hrana – kvalitativní symbol představující typ hrany a rovněž obsahující kvantitativní
hodnotu úhlu a poměru délky hrany (pouze jako absolutní čísla).
V mnoha případech popis na úrovni C může zcela zastoupit popisy na úrovni B, neboť
v podstatě obsahuje tytéž informace avšak v poněkud vhodnějším vyjádření. Popis na této
úrovni lze považovat současně jako:
-
Příznakový popis – jednotlivé symboly - příznaky jsou uvažovány zcela odděleně
(posun, potočení, tvar hrany). Jde tedy pouze o příznaky.
Strukturální popis – jsou současně uvažovány příslušné vztahy neboli relace mezi
symboly – primitivy a pak jejich soubor tvoří strukturální popis obrazce. Jde tedy o
primitiva tvořící výsledný obrazec.
77
posun v X, Y
kvalitativní popis
pomocí symbolů
kvantitativní popis
pomocí hodnot
-, 0, +
velikost
pootočení
hrany
porovnání na
symbolické úrovni
-, 0, +
velikost
úhel
délka
porovnání na
číselné úrovni
Obrázek 9.8: Celkový přehled struktury popisu HS obrazce na úrovni C. Horní část reprezentuje kvalitativní /
symbolický popis a dolní část přídavné kvantitativní / číselné příznaky.
Některé výhody a nevýhody popisu této úrovně:
-
(+) Zcela odělený posun a pootočení HS obrazce od jeho skutečného tvaru.
(+) Snadnější porováváví dvou HS brazců od různých pacientů.
(+) Tolerance k možných nepřesnostech a chybám.
(+) Porovnání HS obrazců skutečně podle symbolického tvaru.
(+) Možnost detekce dílčích poruch a jejich kombinací.
(+/-) Určitá abstrakce od reálných dat (výhoda i nevýhoda současně).
Úroveň D Jak bylo uvedeno v analýze dat, tak některé obrazce jsou v podstatě
standardizované, jako například zdraví jedinec, protažení vlevo, zkrácení vpravo a podobně.
Tyto obrazce tedy většinou odpovídají přesně daným diagnózám nebo do nich značně
přispívají. Naskýtá se tedy možnost vytvoření několika vysokoúrovňových symbolů
reprezentujících právě tyto konkrétní obrazce. Jejich počet bude samozřejmě omezený. Pro
potřeby této práce byly na úrovni D definovány pouze některé symboly:
-
Správný čtverec (zdravý jedinec).
Protažení vpravo, protažení vlevo.
Zkrácení vpravo, zkrácení vlevo.
Protažení nahoru, protažení dolu.
Zkrácení nahoru, zkrácení dolu.
...
OK
LevoDelší
LevoKratší
NahoruKratší
Obrázek 9.9: Příklady některých předefinovaných HS obrazců na úrovni D.
Symboly na této úrovni nejsou samozřejmě vhodné pro přesné porovnávání dvou HS obrazců
natož pro stanovení jejich matematické vzdálenosti. Jsou však velmi vhodné pro rychlou a
snadnou kategorizaci některých často se vyskytujících případů, kdy na reálných hodnotách již
v podstatě nezáleží. Pokud je tvar HS obrazce hodnocen jako „správný čtverec (OK)“, lze
okamžitě navrhnout výstupní diagnózu a již není nutno zpracovávat žádné konkrétní číselné
hodnoty. Úroveň D tedy slouží zejména pro optimalizaci a současně pro jednoduchý a
přehledný zápis některých pravidel pro návrh diagnózy.
78
9.2 Výhody symbolického popisu o několika úrovních
Takto vytvořený popis o několika úrovních a současně symbolický popis poskytuje několik
hlavních výhod, které je vhodné zmínit:
-
-
-
Poskytuje určitou volnost a toleranci při porovnávání dvou ne zcela „přesně“
stejných, nebo dokonce částečně nepřesných obrazců.
Jednodušší na pochopení problematiky, než absolutní vstupní číselné hodnoty.
Jakékoli symbolické neboli obecnější vyjádření je nejen vhodnější pro základní
pochopení, ale i mnohem snazší pro jakékoli zpracování a samozřejmě přehlednější než
soubor reálných čísel.
Dekompozice problému do několika částečně samostatných a oddělených úrovní.
Zpracování obrazce přímo pomocí naměřených dat je velmi obtížné, z tohoto důvodu
lze celek rozdělit na několik dílčích problémů, jako jsou: posun HS obrazce, potočení HS
obrazce a tvar HS obrazce.
Mnohem snazší a rychlejší porovnávání při hledání ve velkém množství příkladů.
Jakýkoli nový vstup lze porovnat s příkladem snadněji a rychleji na obecnější úrovni,
než na úrovni reálných neboli skutečných hodnot. Teprve při shodě na vyšší, tedy
symbolické úrovni, lze vykonat porovnání na nižší úrovni.
Výhod takto vytvořeného popisu o několika úrovních je mnoho, a proto se zdá být vhodným
přínosem pro řešení tohoto problému.
79
10 Systém pro podporu návrhu diagnózy
Jelikož jde o vytvoření znalostního systému pro podporu lékaře při rozhodování o stanovení
diagnózy, jeho složení zahrnuje několik dílčích částí:
-
-
-
Exaktní znalosti získané například z učebnic. Jde o znalosti, které jsou dostatečně
ověřené a tudíž pro naprostou většinu případů platné. Tyto znalosti lze v podstatě
téměř přesně zapsat pomocí pravidel.
Znalosti získané používáním, tedy praxí lékaře. Jedná se převážně o zkušenosti. Tyto
znalosti lze ve většině případů rovněž zapsat pomocí pravidel. Pravidla však mají
stanovenou určitou podmíněnou platnost. Ne pro všechny případy jsou tedy zcela
platná. Tato pravidla jsou ve své podstatě nejčastěji vytvořena generalizací nebo
specifikací dříve uvedených učebnicových znalostí.
Další možnosti, nikoli pouze znalosti lékaře, které nemusí být vloženy přímo lékařem,
ale mohou být z lékařského oboru odvozeny. Sem patří například nalezení i
matematicky nejpodobnějšího příkladu pro podporu návrhu diagnózy.
Systém pro podporu rozhodování lékaře by měl samozřejmě obsahovat všechny tyto složky. Při
jejich činnosti by měly být využity různé úrovně již dříve definovaného popisu HS obrazce a to
přibližně následujícím způsobem:
-
Exaktní pravidla budou využívat popis úrovně D a C. Pravidla se vztahují na
abstraktnější popis nikoli na konkrétní reálné hodnoty.
Znalosti / zkušenosti jsou většinou rovněž zapsány formou pravidel. Jsou ale již
konkrétnější, a tudíž budou využívat zejména popisu úrovně C, případně B.
Pro porovnávání podobnosti HS obrazců lze využívat všechny úrovně popisu od D až po
B. V jistých omezených případech může být využit i popis úrovně A.
Při sestavování pravidla lze tedy využít jakoukoli úroveň vytvořeného popisu. V zápise pravidla
tedy budou vždy uvedeny nejen, jaké parametry obrazce jsou použity, ale rovněž z jaké úrovně
popisu čerpáme.
Systém bude tedy rozdělen na dvě hlavní část. Na část využívající pravidla a část využívající již
evidované příklady. Obě tyto části však budou v součinnosti pro zvýšení kvality výstupu. Než
budou jednotlivé části popsány detailně, tak je vhodné uvést některé jejich základní vlastnosti.
Část využívající pravidla:
-
Pravidla zaručují exaktní znalosti vztahující se přímo k lékařskému oboru a pokrývající
naprostou většinu případů.
Využívá se v podstatě stejných pravidel, které lékař aplikuje na HS obrazec při
stanovení diagnózy. Rozdíl spočívá v aplikaci skutečně všech dostupných pravidel.
Výstupy pravidel jsou dvou základních typů:
80
o
-
Pravidlo pouze „splněno“, nebo „nesplněno“ tzv. crips. Jiné hodnocení není
možné, nebo není přípustné. Výstupem pravidla tedy může být výsledné
hodnocení případu.
o Pravidla splněno na hodnotu ve spojitém rozsahu 0 (zcela nesplněno) až 1
(zcela splněno) tzv. fuzzy. Výstupem pravidla je tedy pouze příspěvek, většinou
číselný, do celkové diagnózy.
Aplikace pravidel na relativně oddělené části jako například: posun, potočení, tvar HS
obrazce.
Založeno v podstatě pouze na vzájemném porovnání HS obrazce levého a pravého oka
podle známých znalostí o problému.
Pravidla jsou ve většině případů daná neboli stanovená již před návrhem vlastního
systému a v průběhu činnosti systému se téměř nevyvíjí. Z hlediska pravidel je systém
dlouhodobě stálý. V jistých případech se soubor pravidel může samozřejmě doplňovat.
Část využívající již evidované příklady:
-
Příklad neurčuje exaktní znalosti, ale případnou podobnost.
Nalezení nejpodobnějšího příkladu spočívá v prohledání skutečně všech evidovaných
příkladů.
Porovnání HS obrazců i z několika hledisek současně jako například: posun nebo tvar.
Založeno na nalezení nejpodobnějšího již evidovaného příkladu v podstatě s využití
minimálních znalostí o lékařském problému.
Databáze příkladů se neustále rozšiřuje. Z hlediska příkladů se systém velmi rychle
obohacuje, a tedy vyvíjí. S každým nově přidaným příkladem se zvyšují jeho
schopnosti.
Základní rozdíl mezi částí využívající pravidla a částí využívající příklady je následující:
-
-
Část využívající pravidla pro návrh diagnózy využívá pouze nový případ a diagnózu
navrhuje pouze pomocí jeho rozboru. I když k tomu využívá soubor pravidel
umístěných v nějaké databázi. Úspěšnost závisí zcela na již obsažených znalostech ve
formě pravidel a v budoucnu se vyvíjí pomaleji. Nové znalosti je nutno explicitně vložit.
Část využívající příklady se téměř nespoléhá na znalosti z daného oboru a diagnózu
navrhuje podle nejpodobnějšího vzoru. Její úspěšnost zcela závisí na počtu
obsažených příkladů a do budoucna se značně vyvíjí. Nové případy ohodnocené
lékařem se stávají příklady a v podstatě se vkládají automaticky do databáze
znalostního systému.
Tyto dvě části si tedy v žádném případě při návrhu diagnózy nebudou konkurovat. Půjde o dvě
v podstatě samostatné části a tedy i do jisté míry samostatné výstupy. Každý z výstupů je
vytvořen zcela jinou technikou, a tedy i se zcela jinou vypovídací hodnotou. Předpokládejme,
že lze oba vhodně spojit a tím dosáhnout větší úspěšnosti, než v případě pouze samostatných
jednotlivých částí. Cílem není pouze navrhnout diagnózu nového případu, ale rovněž
poskytnout všechny podklady, které vedly k návrhu této diagnózy. Nejde o systém pro návrh
diagnózy, ale o systém pro podporu návrhu diagnózy.
81
10.1 Část využívající pravidla
Tato část je založena na aplikaci určitého souboru pravidel většinou současně na oba HS
obrazce z levého a pravého oka. Využitá pravidla lze rozdělit do těchto základních skupin:
-
-
Exaktní převážně učebnicová pravidla jako například:
o Heringův zákon o stranové symetrické inervaci synergistů. Inervační impuls je
rovnoměrně rozdělen na agonisty (akční svaly) obou očí, jež se v tomto
případě chovají jako jediný orgán.
o Sheringtonův zákon o reciproční inervaci antagonistů. Každý pohyb očí je
možný jen tehdy, je-li kontrakce agonistů zároveň provázena relaxací jejich
antagonistů.
Pravidla převážně vyplývající ze zkušeností lékaře.
Pravidla převážně vytvořená analýzou dat.
Před vlastním popisem této části je rovněž nutno dostatečně vysvětlit výstupní neboli
vypovídací hodnoty těchto pravidel. Stručně řečeno, sestavená pravidla jsou těchto typů:
-
-
-
Pouze tzv. syndromy. Jde o výstupy netvořící celkovou diagnózu. Například AV
syndrom o postavení očí ve tvaru písmene A nebo V, který je k diagnóze pouze
přidružen, ale často v ní není ani zahrnut. Pravidlo pouze signalizuje určitý typ poruchy,
tedy symptom a případně přispívá k její detekci. Jde převážně o pravidla typu crips.
Pouze příspěvky do výstupní diagnózy, které mohou být její dílčí součástí, nebo v ní být
zcela zahrnuty pod zcela jiným označením. Pravidlo signalizuje bud celou nebo dílčí
poruchu. Jde o pravidla typu fuzzy, ale toto není podmínkou.
Tvořící přímo výstupní diagnózu. Pravidlo přímo stanovuje jednoznačnou výstupní
diagnózu.
Jednotlivá pravidla budou tedy rozdělena do těchto tří skupin. Každá skupina bude rovněž
obsahovat pravidla podle předešlých tří dělení a to: exaktní, ze zkušeností a z analýzy dat. Tato
pravidla se tedy v naprosté většině vztahují k oběma očím současně. Přesněji řečeno stanovují,
jaký má být tvar HS obrazce levého oka a současně tvar HS obrazce pravého oka. Tvar HS
každého oka je popsán pomocí například již uvedeného symbolického popisu.
V další části budou popsány pouze příklady pravidel náležících do jednotlivých skupin, tedy
učebnicové, z praxe lékaře a odvozená ze znalosti problematiky. Pravidla jsou však popsána
symbolicky pro jejich přehlednost, nikoli v přesném tvaru v jakém jsou v systému uložena.
Učebnicová pravidla. Jde o obecně platná pravidla. Zřejmě nejvhodnějším příkladem je
pravidlo pro stanovení diagnózy zdravého člověka. Tedy diagnóza typu „OK“. Toto pravidlo
může využívat pro tvar obrazce popis úrovně D, kdy pro levé oko je nutný obrazec s názvem OK
a současně pro pravé oko obrazec s názvem OK, ale současně i popis úrovně C pro stanovení
posunu a pootočení. Přesněji řečeno, že nedochází ani k posunu ani k pootočení. Podrobnosti
byly uvedeny v kapitole 9.1 zabývající se více úrovňovým popisem HS obrazce. Pravidlo bude
tedy zapsáno následovně:
82
Diagnóza OK =
( levé úroveň-D OK ) AND ( pravé úroveň-D OK ) AND
( levé úroveň-C posunX0 ) AND ( pravé úroveň-C posunY0 ) AND
( levé úroveň-C rotace0 )
Jiné pravidlo pro omezenou činnost pouze zevního svalu na levém oku bude mít zápis
následující:
Diagnóza levé oko zevní sval =
( levé úroveň-D LevoKratší ) AND ( pravé úroveň-D LevoDelší )
Takto lze velmi snadno zapsat pravidla buď pro úplné, nebo částečné diagnózy pouze pomocí
vyšší symbolické úrovně. Zápis pravidla je skutečně velmi jednoduchý.
Pravidla z lékařské praxe. Vhodným zástupcem jsou pravidla pro stanovení konvergentního
nebo divergentního strabismu. Ve většině případů se strabismus za konvergentní považuje,
pokud jsou obě oči uchýleny k nosu současně a divergentní pokud jsou obě oči odchýleny od
nosu současně. Někteří lékaři však stanovují konvergentní strabismus již při odchýlení aspoň
jednoho oka k nosu a divergentní při odchýlení aspoň jednoho oka od nosu. Hodnocení těchto
typů strabismu tedy není zcela jednotné, a proto nejde o obecně platná pravidla, ale o jisté
zkušenosti lékaře. Pravidla lze tedy zapsat následovně:
Příklady plných (konkrétních) pravidel:
Konvergentní strabismus plný =
( levé úroveň-C posunX+ ) AND ( pravé úroveň-C posunX- )
Divergentní strabismus plný =
( levé úroveň-C posunX- ) AND ( pravé úroveň-C posunX+ )
Příklady částečných (obecnějších) pravidel:
Konvergentní strabismus část. =
( ( levé úroveň-C posunX+ ) AND ( pravé úroveň-C posunX- ) ) OR
( ( levé úroveň-C posunX+ ) AND ( pravé úroveň-C posunX0 ) ) OR
( ( levé úroveň-C posunX0 ) AND ( pravé úroveň-C posunX- ) )
Divergentní strabismus část. =
( ( levé úroveň-C posunX- ) AND ( pravé úroveň-C posunX+ ) ) OR
( ( levé úroveň-C posunX- ) AND ( pravé úroveň-C posunX0 ) ) OR
( ( levé úroveň-C posunX0 ) AND ( pravé úroveň-C posunX+ ) )
Výstupem těchto pravidel je pouze konstatování „ano“ nebo „ne“. Jiný výstup nemá význam
poskytovat. V pravidlovém systému mohou být přítomna tato pravidla „plná“ a „částečná“
samozřejmě zcela současně. Jak však poskytovat vhodný výstup při použití obou poněkud
odlišných typů pravidel současně. Naskýtají se následující možnosti:
83
-
-
Použít oba typy pravidel současně a tudíž i jejich výstup a ponechat tedy na rozhodnutí
lékaře zda uzná navrhovaný typ poruchy, v tomto případě typ strabismu.
Přiřadit každému pravidlu určitou váhu. Například pravidlo „část.“ bude mít váhu 0.5 a
pravidlo „plné“ bude mít váhu 1.0. Při splnění pravidla „plné“ jde určitě o uvedený typ
strabismu, ale při splnění pouze pravidla „část“ toto nelze vždy zcela přesně říci.
Považovat jedno pravidlo za hlavní a druhé za doplňkové. Bude-li platit pravidlo „plné“,
tak již není potřeba aplikovat pravidlo „část“ a tedy ani zobrazovat jeho výsledek.
Pokud nebude platné pravidlo „plné“, tak lze ještě aplikovat pravidlo „část.“.
Zcela obdobná situace nastává v případě horizontálního posunu očí nebo jejich pootočení.
Záleží tedy na zkušenostech konkrétního lékaře, jak danou skutečnost hodnotí. Z tohoto
důvodu je nejvhodnější považovat některá pravidla za hlavní a jiná za doplňková. Tím nikdy
nedojde k potlačení úplných (konkrétnějších) pravidel, ale v případě jejich selhání lze stále
ještě použít pravidla částečná (obecnější). Toto byl příklad pravidel, jež vycházejí ze zkušeností
lékaře.
Odvozená ze znalosti problematiky. Tyto pravidla jsou ve většině případů odpozorována z HS
obrazců.
Pravidla kromě své „lékařské“ vypovídací hodnoty obsahují rovněž další parametry, podle nichž
se stanovuje věrohodnost poskytnutého výstupu. Tyto další parametry jsou následující:
-
-
Jakého typu je pravidlo a podle toho mu je přiřazena věrohodnost ve významu: vysoká,
střední nebo nízká. Základní věrohodnost je pro učebnicová pravidla vysoká, pro
zkušenosti střední a pro pravidla stanovené mimo lékařský obor nízká. Postupem
používání systému může lékař potvrzovat správnost navrženého výsledku a tím se
může věrohodnost pravidel samozřejmě automaticky upravovat.
Jakého jsou původu. Vytvořeným pravidlům musí být přiřazen určitý původ. Tj. zda
bylo pravidlo získáno jako obecně známá skutečnost, zda jej stanovil expert, zda jej
stanovil řadový lékaře nebo zda jde například pouze o experimentální pravidlo.
Tyto informace jsou některým pravidlům experimentálně přiřazeny, ale v současné verzi nejsou
striktně využívány. Výjimku tvoří pravidla sestavená podle učebnicových znalostí, která jsou
označena jako velmi důvěryhodná.
10.2 Aplikace pro podporu návrhu diagnózy využívající pravidla
Pro ověření činnosti části využívající pravidla byla vytvořena experimentální aplikace. Ta
obsahuje 36 základních pravidel pro detekci konvergence / divergence, rotace oka, omezení
jednotlivých očních svalů na pravém / levém oku a některé neurologické poruchy. Obrázek
10.1 poskytuje ukázky výstupů této aplikace. Jelikož jde o experimentální ověření pravidlového
systému, tak jsou vytvořeny pouze základní pravidla vztahující se zejména k hlavním
poruchám. Jedná se o výstupy exaktních pravidel (matematicky hodnocených) a proto se
mohou některé jejich výstupy jevit jako ne zcela přesné. Jde však o systém pro podporu návrhu
diagnózy, nikoli pro její přesné určení. Další pravidla lze samozřejmě dodat. Protože jsou
84
Obrázek 10.1 Příklady výstupu aplikace využívající pravidlový systém. Vždy je zobrazen testovaný HS obrazce a
odpovídající výstupy pravidlového systému, tedy pouze výstupy úspěšně aplikovaných pravidel.
85
všechny testované příklady a vytvářená pravidla získána pouze z jednoho zdroje, tak není
využita žádná míra „správnosti“, nebo „věrohodnosti“ u pravidla ani příkladu.
10.3 Část využívající příklady
Pro mnoho diagnóz buď přímo aplikovatelná pravidla neexistují, nebo by byla příliš složitá.
Z tohoto důvodu je vhodné umožnit vhodnou nápovědu při návrhu diagnózy pomocí nalezení
nejpodobnějšího evidovaného příkladu obsahující již vlastní diagnózu. Tento tzv. nejpodobnější
příklad nemusí samozřejmě zcela jednoznačně obsahovat nejpodobnější diagnózu, ale může
být lékaři velmi nápomocen v procesu stanovení diagnózy. Při jeho zobrazení si lékař může
uvědomit některé další skutečnosti, kterých by si sám na novém případu nevšiml. Takovéto
činnosti lze právem říkat „podpora lékaře při rozhodování“.
Nejprve je potřeba definovat pojem „podobnost“ nebo „vzdálenost“ dvou HS obrazců“
-
-
Podobnost – Určuje, jak si jsou dva HS obrazce podobné. Jsou-li si zcela podobné,
neboli stejné, tak nabývá podobnost svého maxima. Čím méně si jsou podobné, tím je
hodnota menší.
Vzdálenost – Určuje, jak si jsou dva HS obrazce vzdálené. Jsou-li si podobné, tak její
hodnota nabývá minima. Čím méně si jsou podobné, tím je hodnota větší.
Pro řešení této práce byl zvolen pojem „vzdálenost“ a to z několika důvodů:
-
-
Mnohem lépe stanovíme, jak si jsou dva obrazce vzdálené s hodnocením 0, než
podobné s hodnocením 0. Tedy stanovíme jeden velmi významný extrém hodnotící
veličiny.
Minimální vzdálenost, tedy hodnotu, 0 lze v podstatě stanovit jako výstup porovnání
HS obrazce sama se sebou.
Minimální podobnost, tedy hodnotu, MAX nelze snadno stanovit, protože nemusí být
k dispozici dva nejvzdálenější obrazce. Vlastně ani nevíme, které dva HS obrazce jsou
skutečně nejvzdálenější.
Pojem „vzdálenost“ je tedy z našeho pohledu mnohem vhodnější. Více si podobné obrazce
mají vzdálenost menší, až nulovou a méně si podobné obrazce mají vzdálenost větší až
nekonečnou. Vždy bude porovnáván „případ“ s „příkladem“ a ty jsou definovány následovně:
-
Případ – Nově příchozí výstup pacienta, získaný například aktuálním měřením. Ten
ještě neobsahuje žádné hodnocení a cíl spočívá v navržení jeho hodnocení.
Příklad – Již uložený vzor v databázi systému obsahující přiřazené hodnocení. Jde
většinou o starší případ, který byl již ohodnocen a vložen do databáze jako vzorový
příklad. Pokud se případ stane příkladem, tak to samozřejmě neznamená, že byl
skutečně správně ohodnocen.
Jelikož (zatím) použitá databáze obsahuje poměrně omezený počet příkladů, a tedy na mnoha
případech, by nemuselo dojít k uspokojivému, nebo dokonce žádnému, nalezení podobného
HS obrazce posunem, potočením i tvarem současně, byl proces neboli posuzování
86
nejpodobnějšího příkladu rozdělen na několik samostatných částí. Tento stav rovněž odráží
stanovení diagnózy lékařem:
-
Hodnocení shody polohy HS obrazce obou očí u případu a příkladu. Ve většině případů
se jedná o samostatnou dílčí diagnózu.
Hodnocení shody pootočení HS obrazce obou očí u případu a příkladu. Ve většině
případů jde o samostatnou dílčí diagnózu.
Hodnocení shody tvaru HS obrazce obou očí u případu a příkladu. Ve většině případů
jde o základní část diagnózy.
Při zpracování nového případu bude tedy procházena celá databáze příkladů a stanoveny
vzdálenosti pro jednotlivé příklady. Ty však nebudou seřazeny pouze do jediného výstupního
seznamu, ale do tří oddělených seznamů podle předchozích bodů. Výhoda toho řešení je
následující:
-
Nebude-li přítomen ve všech směrech nejpodobnější příklad, tak budou alespoň
nalezeny nejpodobnější příklady pro jednotlivé pod-části.
Celková diagnóza je často složena z dílčích částí a tak ji lze rovněž hledat a navrhovat.
I při velmi omezeném počtu příkladů bude aspoň v některém směru nalezen nějaký
nejpodobnější příklad.
Je ovšem vhodné upřednostnit nalezený příklad, který splňuje více kritérií. Výsledky dílčích
seznamů nelze snadno sloučit a tudíž stanovit jeden výstupní seznam. Jejich obsahy, případně
pořadí, jsou stanoveny podle zcela jiných kritérií. Výstup tedy obsahuje tyto tři seznamy
navržených příkladů:
-
-
-
Seznam nalezených příkladů shodných posunem obou očí – Shodující se v posunu HS
obraze levého a pravého oka obou porovnávaných HS obrazců. Položky setříděny
podle vzdálenosti. Pokud není vhodný příklad nalezen, tak je seznam prázdný.
Seznam nalezených příkladů shodujících se potočením obou očí – Shodující se
v potočení HS obrazce levého a pravého oka obou porovnávaných HS obrazců. Položky
setříděny podle vzdálenosti. Pokud není vhodný příklad nalezen, tak je seznam
prázdný.
Seznam nalezených příkladů nejpodobnějších tvarem – Shodující se ve tvaru HS
obrazce levého a pravého oka obou porovnávaných HS obrazců. Položky seřazeny
podle vzdálenosti obou obrazců. Tento seznam není v podstatě nikdy prázdný a
obsahuje vždy určitý počet nalezených příkladů.
Jak již bylo zmíněno, tak nelze vhodně vytvořit pouze jeden výstupní seznam. Výsledná
diagnóza bude velmi pravděpodobně složena z částečných diagnóz příkladů obsažených
v různých seznamech. Je však samozřejmě vhodné uskutečnit určité setřídění, případně se o
něj alespoň pokusit, a tím lékaři pomoci celkově nejpodobnějším případem. Spojení výsledků
z jednotlivých seznamů je uskutečněno následujícím způsobem:
87
-
-
-
-
Nalezené příklady umístěné v seznamu nejpodobnějších tvarem mají nejvíce
vypovídací hodnotu, a proto jsou považovány za tzv. referenční hodnotu pro případné
seřazení položek v dalších seznamech.
Další dva seznamy nalezených příkladů shodných posunem a shodných potočením
budou zkontrolovány, zda neobsahují rovněž shodné příklady jako seznam
nejpodobnějších tvarem. Pokud je obsahují, tak budou tyto příklady v těchto dvou
seznamech posunuty zcela na jeho začátek a jejich pořadí bude souhlasné s pořadím
těchto příkladů v seznamu nejbližších tvarem. Souhlasné bude pouze pořadí nikoli
indexy obsazených pozic.
Takto dojde k jistému upřednostnění stejného příkladu obsaženého současně ve více
výstupních seznamech. Nikoli však současně k seřazení všech nalezených příkladů ve
všech seznamech. Příklady obsažené ve výstupním seznamu nejpodobnějších tvarem
mají sice nejvíce vypovídací hodnotu, ale jsou seřazeny pouze podle vzdálenosti tvaru,
nikoli však současně s ohledem na ostatní parametry (posun a potočení).
Nyní je nutno nalezené příklady obsažené v jednotlivých seznamech seřadit současně
s maximálním ohledem na ostatní seznamy (shodné posunem, shodné pootočením,
shodné tvarem). Půjde však pouze o vhodné seřazení položek v příslušném seznamu,
nikoli vytvoření jednoho výsledného seznamu, jak již bylo uvedeno. Obrázek 10.2
obsahuje princip následujícího postupu:
o Pro každý příklad uvedený v libovolném seznamu je vypočteno jeho hodnocení
s čísly 0, 1 nebo 2 odpovídající počtu dalších seznamů, ve kterých se tento
příklad rovněž vyskytuje.
o Uvažujeme zde pouze výskyt, nikoli pořadí příkladu v příslušném seznamu.
Pořadí mohlo být uměle vytvořeno nebo změněno.
o Toto hodnocení je vytvořeno pro všechny položky a to ve všech seznamech.
o Položky v jednotlivých seznamech se nyní posunou vpřed k začátku seznamu o
počet kroků podle stanoveného ohodnocení. Tedy o žádný, jeden nebo dva.
Samozřejmě pouze o možný počet kroků k začátku seznamu.
o Vlastní posun se uskuteční tak, že od všech položek v seznamu odečteme
minimální detekované hodnocení v tomto seznamu a položky postupně od
konce seznamu obsahující nenulové hodnocení, posuneme k jeho začátku, o
tolik pozic kolik odpovídá jejich hodnocení.
Nedojde tedy k vytvoření jediného výsledného seznamu obsahujícího vždy všechny nalezené
příklady seřazené podle všech parametrů. Naopak každý seznam bude vždy obsahovat
nejpodobnější příklady avšak seřazené jednak podle konkrétního parametru odpovídajícího
typu seznamu a současně podle jisté úspěšnosti v ostatních dvou seznamech. Tento postup
obsahuje několik výhod:
-
Vždy je brán ohled na všechny parametry obrazce, ale přesto jsou podány zcela
odděleně.
Není stanoven jeden nejlepší a to výsledný příklad, který by mohl lékaře příliš ovlivnit
při rozhodování.
Žádný z nalezených příkladů není nikdy zavržen, ale případně pouze odsunut na
vzdálenější pozici.
88
-
-
Změna pořadí neboli pozic příkladů v seznamu, je vytvořena zcela podle vypovídací
hodnoty příslušného seznamu. V seznamu podobnosti tvarů se pořadí mění nejméně a
v seznamech shodných posunem a potočením nejvíce. Toto rovněž odpovídá principu
hodnocení HS obrazce.
V nepravděpodobném případě, že by seznamy obsahovaly pouze stejné příklady, tak
pořadí v seznamu podobnosti tvarem nebude v žádném případě ovlivněno. Neboť jde
o nejvíce vypovídající hodnotu.
s. posunu
s. pootočení
s. tvaru
s. posunu
s. pootočení
s. tvaru
příklad D [0]
příklad G [0]
příklad A [1]
příklad B
příklad B
příklad B
příklad E [0]
příklad A [1]
příklad B [2]
příklad D
příklad A
příklad A
příklad B [2]
příklad H [0]
příklad C [0]
příklad E
příklad G
příklad C
příklad F [0]
příklad B [2]
příklad F
příklad H
příklad I [0]
příklad I
Obrázek 10.2: Princip přeuspořádání příkladů v jednotlivých seznamech obsahujících nejpodobnější nalezené
příklady. V levé části jsou prvotně vytvořené seznamy nalezených příkladů a u každého vypočteno jeho
hodnocení podle výskytu v dalších seznamech (v závorce). V pravé části již přesunuté položky podle jejich
dřívějšího hodnocení.
Obrázek 10.2 zachycuje princip přeuspořádání položek v seznamech. Položky v seznamech
s příklady nalezenými pouze podle shody posunutí a shody potočení lze vcelku snadno
přesouvat a to z následujících důvodů:
-
Odpovídající část diagnózy je dána zejména směrem posunu nebo pootočení, nikoli
jeho skutečnou velikostí.
Velmi snadno nastane situace, kdy tyto seznamy obsahují položky stejného směru a
dokonce stejné velikosti posunu a potočení, ale zcela jiného tvaru. Zde se tvar totiž
neporovnává. Poté přesun položky nebo položek v seznamu v podstatě pouze
z důvodu upřednostnění tvaru nemá vliv na stanovení diagnózy.
Mnohem závažnější problém nastává ve stanovení, nebo nastavení hodnotící funkce určující
vzdálenost dvou HS obrazců. Pokud nebude tato funkce stanovena dostatečně vhodně, tak
nemusí být uspokojivě nalezen nejpodobnější příklad. Dostatečně přesné nastavení této funkce
je však z našeho malého množství příkladů velmi obtížné, možná téměř nemožné. Z tohoto
důvodu bylo přistoupeno k určitému pomocnému řešení a to nikoli pouze nalezení několika
tvarem nejpodobnějších příkladů k zadanému případu, ale současně i omezeného množství
dalších nejpodobnějších příkladů k již dříve nalezeným příkladům. Výhoda tohoto řešení
spočívá v:
-
Překlenutí nedokonalosti v nastavení hodnotící funkce pro vzdálenost dvou HS
obrazců.
Vytvoření v podstatě dvou-kolového porovnávacího mechanismu. Vhodný příklad,
který nebyl nalezen v prvním kole, může být nalezen ve druhém kole.
Při nalezení velmi malého počtu přímých příkladů lze výstup obohatit i příklady
z druhého kola.
89
Nyní k vlastnímu hodnocení vzdálenosti dvou HS obrazců. Již byl zmíněn princip hodnocení
v rozkladu na tři dílčí výstupy: shoda posunem, shoda pootočením a podobnost tvarem. Pro
hodnocení vlastního tvaru HS obrazce bude využit již dříve zmíněný několika úrovňový popis HS
obrazce a to následujícím způsobem:
-
-
-
-
Jde v podstatě o porovnávání stejných typů záznamů. Nový případ je porovnáván s již
uloženým příkladem, který byl dříve v pozici případu. Struktura jejich popisů je tedy
zcela shodná.
Nejprve se uskuteční porovnání na nejvyšší symbolické úrovni D pro rychlou detekci
shody tvaru obrazců. Výstupem je pouze shoda nebo nikoli. Vzdálenost obrazců se nyní
neuvažuje, protože ji nelze dostatečně vhodně symbolicky definovat.
Při jejich shodě se postupuje dále na úroveň C. Zde se již porovnávají tvary s ohledem
na jejich vzdálenost. Výstupem je tedy hodnocení vzdálenosti na této symbolické
úrovni. Pokud je vzdálenost vyhovující, tak se postupuje na porovnání skutečné
velikosti.
Test na shodu velikosti lze rovněž uskutečnit pomocí úrovně C, případně B. Výstupem
je tedy hodnocení vzdálenosti na reálné číselné úrovni.
Nyní je nutno stanovit přesný postup porovnání dvou HS obrazců. Pokud jsou dva HS obrazce
zcela shodné, tak je výstup jednoznačný. Vzdálenost je nulová. Tato skutečnost v podstatě
nenastane. Případ a příklad nebudou téměř nikdy shodné a je tedy nutno hodnotit jejich
„skutečnou“ vzdálenost. Na úrovni C je tvar HS obrazce tvořen za mocí 12 symbolů hran
(příznaků), a každá hrana rovněž obsahuje doplňkové informace: skutečný úhel a poměr délky
jak bylo uvedeno v kapitole 9.1. Nejprve budou porovnány tvary obrazců na shodu, případně
vzdálenost těchto symbolů, tj. nalezení jejich vzdálenosti na symbolické úrovni. Neshoda na
symbolické úrovni je závažnější. Poté při shodě na symbolické úrovni je vhodné vykonat
porovnání na číselné úrovni.
Snadno může totiž nastat případ, kdy si jsou dva HS obrazce na číselné úrovni bližší než na
symbolické. V reálných číselných hodnotách může být vzdálenost dvou úhlů hran velmi malá.
Například úhly hran okolo limitní hodnoty. Ale na symbolické úrovni může již jít o jiný směr
hrany a tudíž velmi pravděpodobně o jinou diagnózu. V tomto případě si jsou HS obrazce
číselně mnohem blíže, než symbolicky. Samozřejmě nelze však zcela zaručit, že uvedené
konstatování je vždy správné.
Při stanovení vzdálenosti HS obrazců je nutno stanovit výsledek jako vzdálenost tvarů pomocí
jejich hran pro každé oko samostatně. Na symbolické úrovni je hrana reprezentována směrem
a délkou současně, avšak odlišnost dvou hran může spočívat pouze v jedné její položce. Zda
tedy změnu směru a / nebo délky považovat za rovný přírůstek ke vzdálenosti či nikoli.
Vyjděme z analýzy vstupních dat. Obrázek 10.3 podává dva HS obrazce v podstatě o stejné
diagnóze.
90
Obrázek 10.3: HS obrazce od dvou různých pacientů s v podstatě shodnou diagnózou.
Při základním pohledu na obrazce je zřejmé, že si jsou i velmi podobné, ale liší se směrem
některých hran, které mohou upřesňovat typ poruchy formou „vpravo“ nebo „vlevo“. Jsou
tedy zřejmé následující závěry:
-
-
Hlavní typ poruchy je stanoven převážně délkou některých hran. Zkrácením nebo
prodloužením vzhledem k základnímu, neboli originálnímu HS obrazci, tedy obrazci
zdravého jedince.
Obrazce shodující se ve velikosti neboli délce hran si jsou více podobné než obrazce
shodující se ve tvaru neboli směru hran.
Z 30 uskutečněných testů je zřejmé, že chyba v délce hrany je mnohem menší, než
chyba ve směru hrany. Tyto závěry pocházejí z analýzy dat v kapitole 8.3 o možných
chybách pacienta.
Z uvedených důvodů byla neshoda v délce hrany stanovena jako závažnější než neshoda ve
směru hrany. Nyní je potřeba stanovit skutečné vzdálenosti jednotlivých příznaků
reprezentující hrany na symbolické úrovni. Vzdálenost byla definována pomocí tabulky, aby ji
bylo možno v případě potřeby upravovat. Tabulka 10.1 pro názornost uvádí pouze část celkové
tabulky definující vzdálenosti jednotlivých symbolů pro hrany.
Tabulka 10.1: Definice vzdáleností jednotlivých symbolů popisujících hrany. První číslice udává vzdálenost dvou
symbolů danou součtem počtu změn při změn délky nebo směru v průběhu transformaci jednoho symbolu na
druhý. Druhá číslice udává přídavnou penalizaci při změně pouze délky během transformace jednoho symbolu na
druhý.
symboly
…
0
1+1
2+1
…
2+1
3+1
1+1
0
1+1
…
1+0
2+1
2+1
1+1
0
…
2+1
1+0
1+0
1+1
3+1
…
2+1
4+1
2+1
1+0
2+1
…
1+0
3+1
3+1
2+1
1+0
…
2+1
2+0
…
…
…
…
…
…
…
Jednotlivá políčka v tabulce definují vzdálenost dvou hranových symbolů. Uvedená vzdálenost
je rozdělena na dvě složky a to základní a přídavnou:
-
Základní vzdálenost udává v podstatě kolik změn je potřeba uskutečnit při převodu
neboli transformaci jednoho symbolu na druhý. Jeden krok transformace je definován
buď jako změna pouze délky, nebo pouze směru. Například:
91
o
-
Rovná – střední → rovná – dlouhá. Nutno vykonat jednu elementární
transformaci.
o Rovná – střední → vpravo – dlouhá. Nutno vykovat dvě elementární
transformace a to nejprve „rovná – střední → rovná – dlouhá“ a potom „rovná
– dlouhá → vpravo – dlouhá“.
Přídavná vzdálenost definuje znevýhodnění některé transformace. V našem případě je
hodnotou jedna znevýhodněna jakákoli transformace, případně posloupnost
transformací, v níž se vyskytuje transformace délky hrany. Tímto je zohledněna větší
závažnost ve vzdálenosti obrazců při neshodě délky některé hrany.
Další problém spočívá v definování, jak hodnotit celkovou vzdálenost při výskytu několika
odlišných hran současně. Mohou nastat například odlišnosti ve dvou přilehlých hranách nebo
v hranách umístěných na opačných koncích obrazce, což není vhodné považovat za zcela stejně
hodnotnou odlišnost a to z následujících důvodů:
-
-
Je-li odlišnost pouze ve vzdálenějších hranách, tak může velice pravděpodobně jít o
nepřesnost nebo chybu pacienta. Chyby se vyskytují náhodně po celé ploše HS
obrazce.
Je-li odlišnost pouze ve dvou blízkých hranách, tak se velmi pravděpodobně jedná o
jiný tvar obrazce nikoli o náhodnou chybu. Výskyt dvou chyb téměř na jednom místě
v HS obrazci je mnohem méně pravděpodobný.
Aby byla tato skutečnost při hodnocení vzdálenosti HS obrazců zohledněna, tak byla vytvořena
tabulka obsahující vzdálenosti jednotlivých dvojic hran v obrazci. Tabulka 10.2 je rozměru
12x12 protože obrazec obsahuje 12 hran a je nutno definovat vzdálenost každé hrany s
každou.
Tabulka 10.2: Vzdálenosti jednotlivých hran v HS obrazci. Vzdálenost odpovídá nejkratší cestě od jedné hrany ke
druhé v HS obrazci. Cesta je definována jako počet přechodů od jedné hrany pro dosažení druhé hrany.
CULU
CULU
CURU
LCLU
CCCU
RCRU
CCLC
CCRC
LCLD
CCCD
RCRD
CDLD
CDRD
1
1
1
2
2
2
2
2
3
3
3
CURU
1
2
1
1
2
2
3
2
2
3
3
LCLU
1
2
2
3
1
2
1
2
3
2
3
CCCU
1
1
2
2
1
1
2
1
2
2
2
RCRU
2
1
3
2
2
1
3
2
1
3
2
CCLC
2
2
1
1
2
1
1
1
2
2
2
CCRC
2
2
2
1
1
1
2
1
1
2
2
LCLD
2
3
1
2
3
1
2
2
3
1
2
CCCD
2
2
2
1
2
1
1
2
2
1
1
RCRD
3
2
3
2
1
2
1
3
2
2
1
CDLD
3
3
2
2
3
2
2
1
1
2
CDRD
3
3
3
2
2
2
2
2
1
1
1
1
Hodnoty v tabulce reprezentující vzdálenost dvou hran v jednom obrazci a jsou stanoveny jako
prostý počet kroků při přechodu z jedné hrany na druhou. Dvě různé hrany mají tedy vždy
vzdálenost minimálně 1 a maximálně 3. Tabulka tedy udává vzdálenosti jednotlivých hran mezi
sebou. Ty je potřeba převést na určitou penalizaci pro hodnocení celkové vzdálenosti dvou HS
92
obrazců. Obrazce lišící se ve dvou sousedních hranách musí být více penalizovány a obrazce
lišící se ve dvou vzdálených hranách musí být méně penalizování. Toto vyplývá ze dříve
uvedené úvahy o možném výskytu chyb. Tuto penalizaci lze stanovit velmi snadno a to
následovně:
-
-
-
-
Hodnoty v tabulce budou převedeny, tak aby největší hodnota byla ve výsledku nulová
a naopak nejmenší maximální. Nyní tedy bude největší vzdálenost představovat
nulovou penalizaci a nejmenší vzdálenost maximální penalizaci. Rovnou v podstatě
původní největší vzdálenosti.
Základní vzdálenost dvou hran bude tedy stanovena jako vzdálenost dvou příslušných
symbolů podle tabulky vzdáleností symbolů. Jsou-li symboly stejné, je základní
vzdálenost hran PH = 0. Pro ostatní případy bude základní vzdálenost od PH = 1 do PH =
5. Toto je nutno stanovit nejprve pro odpovídající si hrany obrazců v případu a
příkladu.
V případě neshody hrany Hi bude vypočtena pro tuto hranu příslušná penalizace Pi,
avšak současně s ohledem na existující neshody dalších hran v tomto obrazci H1 až HN a
to následovně:
o Základní vzdálenosti ostatních hran P1 až PN budou vynásobeny příslušnými
čísly, jež jsou obsažena v tabulce na konkrétních pozicích a indikující
vzdálenost hran H1 až HN od hrany Hi. Toto udává příspěvek penalizací P1 až PN
k právě hodnocené hraně Hi závislý na vzdálenosti od hodnocené hrany Hi.
Příspěvky penalizací k jiné hraně mohou být samozřejmě jiné, jde o vzájemnou
vzdálenost jednotlivých hran v obrazci.
o Takto získané příspěvky penalizací P1 až PN jsou sečteny a současně
vynásobeny základní vzdáleností hodnocené hrany Pi.
Každá hrana bude tedy obsahovat vlastní penalizaci Pi, která je však vždy závislá na
počtu a vzájemné vzdálenosti od jiných odlišných hran v obrazci.
Vzdálenost dvou obrazců tedy představuje součet celkových penalizací Pi jednotlivých
hran tvořících obrazec. Dva obrazce lišící se různými hranami mají velmi
pravděpodobně různou vzdálenost závislou zejména na vzdálenosti detekovaných
neshod přímo v obrazci.
Výsledná vzdálenost D dvou HS obrazců je tedy dána součtem vzdáleností jednotlivých hran D1
až Dn. Celková vzdálenost každé hrany Di je stanovena jako součet vlastní penalizace Pi a
příspěvku penalizací od případných dalších odlišných hran v obrazci násobených vzdáleností od
této hrany v obrazci P1 * Ti1 až Pm * Tim.
∑
D = DL + DR = ( DL1 + DL2 + … + DLn ) + ( DR1 + DR2 + … + DRn
Di = Pi + ( P1 * Ti1 + P2 * Ti2 + … + Pm * Tim )
∑
∑
(10.1)
pro i ≠j
(10.1)
Jednotlivé položky mají následující význam:
-
PHi – Základní penalizace symbolů podle jejich vzdálenosti v symbolickém vyjádření.
93
-
Tij – Příspěvek penalizace ostatních odlišných hran v HS obrazci, vypočtených z tabulky.
DHi – Výsledná vzdálenost dvou odpovídajících si hran v případu a příkladu vytvořená ze
součtu dílčích penalizací.
DL a DR – Vzdálenost HS obrazce pro levé a pravé oko.
D – Celková vzdálenost dvou HS obrazců jako součet vzdáleností všech hran.
Podle výše uvedeného postupu je hodnocena vzdálenost dvou HS obrazců na symbolické
úrovni. A při shodě je rovněž stanovena vyčíslená vzdálenost HS obrazců na příznakové, neboli
číselné úrovni B. Zde se již v podstatě posuzují skutečné číselné hodnoty a to skutečný směr a
skutečná délka hrany. Existuje-li tedy více příkladů hodnocených stejnou vzdáleností na
symbolické úrovni, což může být častý případ, tak mohou být dále pomocí příznaků úrovně B
vhodně seřazeny podle přesnějšího hodnocení vzdálenosti. Hodnocení vzdálenosti na
příznakové úrovni B je uskutečněno prostou matematickou vzdáleností parametrů obou
obrazců.
10.4 Některé další položky zahrnuté v příkladovém usuzování
Správnost příkladu. Jednotlivé příklady jsou ohodnoceny podle své správnosti v rozmezí 0 až 1.
Správnost stanovuje tvůrce příkladu. Například s ohledem na správnost stanovené diagnózy.
Nejmenší správnost je indikována číslem 0 a největší číslem 1. Toto hodnocení v současné době
přímo nepřispívá k výslednému seřazení nalezených příkladů, ale je zobrazeno jako dodatečná
informace o správnosti nalezeného příkladu. Využité příklady jsou v současné době získány
v podstatě pouze z jednoho zdroje, a tudíž by „správnost“ nabývala vždy stejné hodnoty.
Důvěryhodnost příkladu. Jednotlivé příklady obsahují svůj původ, tedy v podstatě řečeno
důvěryhodnost a to ve třech úrovních:
- Vysoká důvěryhodnost – příklady vložené skupinou expertů.
- Střední důvěryhodnost – příklady vložené lékařem.
- Nízká důvěryhodnost – příklady vložení dalšími účastníky.
Pozor na skutečnost, že správnost a důvěryhodnost jsou zcela odlišné pojmy. Správnost
stanovuje ten, kdo příklad vytváří a závisí tedy pouze na jeho vlastním uvážení. Naopak
důvěryhodnost je stanoven automaticky podle toho kdo příklad vloží. Mohu například mé
příklady považovat za více správné než ty získané od skupiny expertů. Důvěryhodnost se
rovněž nespojuje s ostatními položkami a je uvedena samostatně. Využité příklady jsou
v současné době získány v podstatě pouze z jednoho zdroje, a tudíž by „důvěryhodnost“
nabývala vždy stejné hodnoty.
Lze tedy snadno vytvořit internetovou databázi příkladů a podle jejich původu (expert, lékař,
ostatní) dokazatelného například pomocí elektronického podpisu jim automaticky přiřazovat
důvěryhodnost. Správnost jednotlivých skupin však nelze ve výsledku kombinovat, neboť lékař
může přiřadit svému příkladu správnost 0.9 a témuž příkladu může expert přiřadit správnost
pouze 0.1. Rovněž nelze stanovit žádný převodní koeficient správnosti mezi skupinami. Nelze
tedy konstatovat, že správnost 1 lékaře odpovídá přibližně správnosti 0.5 experta. Mohou totiž
existovat situace, kdy bude správnost stanovení diagnózy lékařem vyšší než expertem,
94
například méně známý lékař, ale odborník na danou problematiku. Jediná možnost spočívá
v nastavení filtrace na příklady pocházející z určitých skupin při návrhu diagnózy.
10.5 Aplikace pro návrh diagnózy pomocí případového usuzování
K ověření činnosti části pro návrh diagnózy pomocí usuzování z nejpodobnějších příkladů byla
vytvořena patřičná aplikace. Její databáze obsahuje oklasifikované příklady a ty jsou využity pro
návrh diagnózy u nového případu. Pro testování aplikace byly samozřejmě využity již
oklasifikované příklady. Obrázek 10.4 obsahuje několik ukázkových dialogů při stanovení
diagnózy. Na obrázku jsou vždy dva typy si odpovídajících dialogů:
-
-
Textový dialog. V prvním řádku je testovaný případ a jeho diagnostické kódy. Ve
druhém řádku jsou návrhy diagnostických kódů z nalezených příkladů. Ve třetím řádku
je vyčíslena úspěšnost nalezení diagnostických kódů. Jednotlivé seznamy obsahují
nalezené nejpodobnější příklady a to přímou podobností tvarem, nepřímou
podobností tvarem, shodné posunem a shodné pootočením.
Grafický dialog. Graficky zobrazuje zelenou barvou hodnocený případ a modrou
barvou vybraný příklad z libovolného seznamu nalezených nejpodobnějších příkladů.
Výstup tedy neposkytuje pouze seznam navržených diagnóz, ale současně zobrazuje,
jaké příklady byly nalezeny. Toto je pro lékaře na rozdíl od čistě matematického řešení
velkým přínosem. Lékař si může prohlédnout všechny nalezené, tedy nejpodobnější
příklady a ty vzít v úvahu při stanovení diagnózy.
10.6 Součinnost případového a pravidlového systému
Hlavním významem těchto dvou systémů je podpora lékaře při návrhu diagnózy. I když každý
ze zmiňovaných systémů využívá poněkud jinou metodu pro návrh diagnózy (pravidlový
symptomy přímo z případu a příkladový diagnózy pomocí příkladů z databáze), tak lze přesto
jejich výstupy vhodně sloučit a tím v některých případech předpokládat kvalitnější výsledek.
Spojení jejich výstupu je vytvořeno následujícím způsobem:
-
-
-
Příkladový systém najde soubor nejpodobnějších příkladů nacházejících se v databázi
systému. V základním nastavení jde o 10 nejpodobnějších příkladů tvarem, shodou
posunu a shodou pootočením HS obrazce.
Takto nalezené příklady jsou seřazeny podle míry podobnosti s testovaným případem.
Každý nalezený příklad obsahuje rovněž vektor symptomů, který mu byl lékařem
přiřazen. V podstatě jako v případě diagnózy.
Z vektorů symptomů v nejpodobnějších nalezených příkladech je sestaven pouze jeden
vektor symptomů. Každý symptom v tomto výsledném vektoru symptomů obsahuje
také svoji váhu danou součtem vah podle pořadového umístění nalezeného příkladů ve
výstupních seznamech, v nichž se tento symptom současně vyskytuje.
Rovněž je přítomen vektor symptomů z pravidlového systému. Ten musí být vhodně
spojen s výsledným vektorem symptomů z příkladové části.
95
Obrázek 10.4: Příklady výstupů aplikace pro podporu návrhu diagnózy využívající příkladů. V pravé části dialogy
se seznamy příkladů nalezených pomocí nejlepší podobnosti tvarem, posunem a pootočením. V levé části
zobrazení libovolného příkladu z uvedených seznamů. Zelenou barvou je zobrazen testovaný případ a modrou
barvou označený příklad z některého z nalezených seznamů. Při posuzování úspěšnosti návrhu si je třeba
uvědomit, že úspěšnost je hodnocena ze všech deseti nejlepších nalezených příkladů v jednotlivých seznamech
nikoli pouze z aktuálně zobrazeného.
96
-
-
-
Spojení je vykonáno pomocí tzv. masky, kterou tvoří právě vektor symptomů
z pravidlové části. Celkovým výstupem jsou pouze ty symptomy z výsledného vektoru
z příkladové části, které jsou rovněž obsaženy ve vektoru symptomů z pravidlové části
a současně obsahují minimální váhu, jako je základní váha symptomu obsaženého
pouze v nejpodobnějším nalezeném případě.
Výstup tedy v podstatě obsahuje pouze symptomy, jež se nacházejí současně ve
vektoru symptomů z příkladové a pravidlové části a mají dostatečně vhodné
ohodnocení v podobě váhy.
Takto jsou do výstupu zahrnuty pouze ty symptomy, které jsou nejvíce relevantní pro
výstup jak příkladového, tak i pravidlového systému.
Zde je však nutno poznamenat jednu velmi podstatnou skutečnost. Při spojení obou systémů
(pravidlového a příkladového) jde o určitý kompromis v následujících ohledech:
-
-
Zda získat „součet“ těchto výstupů a poskytnout lékaři největší množství informací
o (-) V případě velmi dobré činnosti obou systémů je k dispozici někdy až
zbytečně velké množství informací. Typ OR.
o (+) V případě selhání jednoho systému jsou k dispozici alespoň nějaké
informace. Typ OR.
Zda výstupy vzájemně „filtrovat“ a získat pouze takové informace, jež jsou relevantní
pro oba výstupy současně
o (+) V případě velmi dobré činnosti obou systémů jsou k dispozici pouze
relevantní informací a to ve vhodném množství. Typ AND.
o (-) V případě selhání jednoho systému nejsou k dispozici v podstatě žádné
informace. Typ AND.
Ve zde popisované součinnosti obou systémů byl zvolen následující kompromis:
-
Při vzájemné součinnosti oba systémy své výstupy vzájemně filtrují pro dosažení pouze
relevantního výstupu.
Pokud takto vytvořený společný výstup nedosahuje požadované úrovně (například
minimální počet navržených symptomů nebo diagnóz), tak jsou poskytnuty výstupy
obou systémů samostatně.
S ohledem na tuto skutečnost v součinnosti obou těchto systémů je rovněž koncipován test
pro jejich hodnocení v kapitole 11.2. Zde je tedy uvedeno hodnocení nejen jejich vzájemné
součinnosti, ale rovněž jejich samostatné činnosti.
97
11 Hodnocení úspěšnosti podpory návrhu diagnózy
11.1 Hodnocení části využívající pouze příklady
Déle v textu budou používány následující termíny:
Vstupní soubor získaných oklasifikovaných příkladů – Jde o soubor HS obrazců získaných při
vyšetření a doplněných o lékařské diagnózy a další symptomy. Představuje tedy celkový
vstupní soubor příkladů.
Trénovací množina – Část vstupního souboru oklasifikovaných příkladů sloužící jako databáze
vzorových příkladů pro případové usuzování.
Testovací množina – Část vstupního souboru oklasifikovaných příkladů sloužící jako testovací
data pro ověření úspěšnosti návrhu diagnózy.
Trénovací příklad – Jedna položka v databázi systému využívaná pro návrh diagnózy. Položka
z trénovací množiny.
Testovací případ – Jedna položka vstupující do systému pro návrh diagnózy za účelem
stanovení její diagnózy. Položka z testovací množiny
Porucha – Porucha nebo poškození okohybných svalů nebo jiné části pacienta přímo související
se zajištěním správného vidění.
Úspěšnost (pro testování) – Úspěšnost návrhu diagnózy. Je hodnocena několika způsoby.
Nejčastěji však jako poměr úspěšně nalezených dílčích diagnóz u testovacího případu
k celkovému počtu všech dílčích diagnóz u tohoto případu.
Nalezené příklady pomocí přímé podobnosti tvarem – Soubor příkladů, jež byly nalezeny
přímo pomocí nejbližší podobností tvarem se zadaným případem. Podrobněji popsáno
v kapitole 10.2
Nalezené příklady pomocí nepřímé podobnosti tvarem – Soubor příkladů, jež byly nalezeny
nepřímo, a to pomocí nejbližší podobností tvarem s již přímo nalezenými příklady. Jedná se
v podstatě o tzv. druhou fázi prohledávání. Podrobněji popsáno v kapitole 10.2
Všechny nalezené příklady – Soubor příkladů, jenž obsahuje přímé tvarem nejbližší nalezené
příklady, nepřímé tvarem nalezené příklady a příklady nalezené pomocí shody posunu a shody
pootočení. Podrobněji popsáno v kapitole 10.2
Pro hodnocení úspěšnosti návrhu diagnózy metodou nalezení nejpodobnějších příkladů byl
využit soubor získaných oklasifikovaných příkladů, který obsahuje zhruba 110 příkladů. Využitý
soubor však musel být částečně upraven pro další použití a to z následujících důvodů:
-
Jeho přibližně 2/3 pocházely z očního oddělení a přibližně 1/3 pocházela
z neurologického oddělení. Tyto části se někdy lišily způsobem stanovené diagnózy, jak
již bylo vysvětleno v kapitole o rozboru dat. Diagnóza části příkladů získaných
z neurologického oddělení byla převedena na diagnózy používané na očním oddělení (z
textového popisu na kódové označení). Samozřejmě tam kde to bylo možné. Pokud
příklady obsahovaly takové neurologické diagnózy, které nelze převést na oční, tak
tyto příklady nebyly využity.
98
-
Diagnózy zapsané textovou formou byly převedeny na diagnózy zapsané pomocí kódů.
Vznikla tak jistá generalizace několika příkladů. Podrobněji bylo popsáno v kapitole o
analýze vstupních dat. Některé příklady po tomto převodu mohou obsahovat i
nepatrně odlišnou a to zejména obecnější diagnózu.
Vstupní soubor oklasifikovaných příkladů obsahuje zhruba 100 položek. Navržený princip
využití příkladového usuzování pro návrh diagnózy je třeba vhodně otestovat. Z tohoto důvodu
byla vykonána série experimentů a byla hodnocena jejich úspěšnost. Pro hodnocení úspěšnosti
podpory návrhu diagnózy metodou nalezení nejpodobnějších příkladů byl vždy využit soubor
získaných oklasifikovaných příkladů, který byl vhodně rozdělen na trénovací a testovací část.
Tedy část již evidovaných příkladů v systému a na část nových případů pro posouzení
úspěšnosti návrhu diagnózy. Byly uskutečněny následující testy:
A) Úspěšnost návrhu diagnózy pouze prostým návrhem několika nejčastěji se
vyskytujících diagnóz neboli diagnostických kódů.
B) Závislost úspěšnosti návrhu diagnózy na typu hledaných příkladů a současně i na
využitém množství nalezených příkladů. Stanovení úspěšnosti při využití pouze příkladů
nalezených podobností tvarem nebo i shodou posunu a potočením.
C) Závislost úspěšnosti návrhu diagnózy na poměru rozdělení vstupního souboru na
trénovací a testovací část.
D) Úspěšnost návrhu diagnózy simulující pohled lékaře hodnotícího nalezené příklady a
vybírající pouze ten nejlepší neboli nejvhodnější příklad.
E) Úspěšnost návrhu diagnózy nejen podle pouhého výskytu příslušné diagnózy
v nalezených příkladech, ale současně podle jejího umístění v nalezených příkladech.
F) Test, zda četnost hledaných diagnóz z testovacího případu je v nalezených příkladech
větší než ve všech trenovacích příkladech. Hodnotí úspěšnost algoritmu pro hledání
nejpodobnějších příkladů.
G) Závislost úspěšnosti návrhu diagnózy na počtu použitých nejlepších nalezených
příkladů. Bude vybrán pouze jeden, nebo dva, nebo pět nejlepších nalezených příkladů
pro návrh diagnózy.
Jak tedy bude v jednotlivých testech hodnocena úspěšnost návrhu diagnózy:
Hodnocení úspěšnosti návrhu diagnózy Typ 1) Pro testy A, B, C, D a G. Testovací případ
obsahuje soubor přiřazených diagnostických kódů. Rovněž každý evidovaný příklad z trénovací
množiny obsahuje svůj soubor diagnostických kódů. Cílem diagnostického návrhového systému
je najít takové příklady obsahující pokud možno stejné diagnostické kódy jako zadaný případ.
Tedy nalézt nejpodobnější příklad(y). Úspěšnost byla stanovena jako poměr počtu nalezených
diagnostických kódu z testovaného případu v nalezených příkladech k celkovému počtu
diagnostických kódů obsažených u testovaného případu. Toto vyjádřeno v procentech pomocí
vztahu 11.1a. Úspěšnost lze rovněž vyjádřit pomocí množinového zápisu vztahem 11.1b.
[ ]
[ ]
99
⋂
‖ ‖
U – výsledná úspěšnost návrhu diagnózy v procentech
DN – počet hledaných diagnostických kódů obsažených v nalezených příkladech, případně
jednom příkladu
DC – celkový počet hledaných diagnostických kódů obsažených u testovaného případu
A – množina diagnostických kódů u testovaného případu
B – množina diagnostických kódů u nalezených příkladů
Hodnocení úspěšnosti návrhu diagnózy Typ 2). Test E. Výsledná úspěšnost je dána součtem
úspěšností pouhého výskytu diagnóz z případu ve výstupním seznamu diagnóz sestaveného
z nalezených příkladů a současně hodnocením jejich pořadového umístění v tomto seznamu.
-
-
0.9 celkového hodnocení tvoří informace, jaký poměr diagnóz z testovaného případu
se vůbec vyskytuje v seznamu diagnóz vytvořeného z nalezených příkladů. Ideální stav
je pouhá přítomnost všech diagnóz z testovaného případu v seznamu.
0.1 celkového hodnocení tvoří informace, jak jsou hledané diagnostické kódy vzdáleny
od začátku seznamu. Ideální stav je výskyt diagnóz z testovacího případu pouze na
prvních místech v seznamu. Samozřejmě na tolika prvních místech kolik je diagnóz
v testovacím případu. Z diagnostických kódů vyzvednutých z nalezených
nejpodobnějších příkladů je sestaven nový seznam a ty jsou v něm umístěny
v závislosti na pořadovém čísle příkladu, z něhož byly vyzvednuty.
[ ]
(
∑
∑
∑
)
U – výsledná úspěšnost návrhu diagnózy v procentech
NN – počet hledaných diagnostických kódů obsažených v nalezených příkladech
NC – celkový počet diagnostických kódů vyskytujících se u testovaného případu
∑PIi – součet indexů pozic (1, 2, 3, …) od začátku seznamu jaké by hledané diagnostické kódy
obsadily ve výsledném seznamu v případě jejich ideálního umístění na jeho počátku, vždy
pouze jeden diagnostický kód na jedné pozici.
∑PSi – součet indexů pozic (1, 2, 3, …) od začátku seznamu jaké hledané diagnostické kódy
skutečně obsazují.
n – počet diagnostických kódů u testovaného případu
Hodnocení úspěšnosti návrhu diagnózy Typ 3). Test F. Každému diagnostickému kódu
v množině všech trénovacích příkladů odpovídá určitá četnost, která je vyjádřena jako poměr
počtu výskytu tohoto diagnostického kódu k počtu všech evidovaných příkladů. Tedy
z intervalu <0,1>. Pokud algoritmus nalézá skutečně nejpodobnější příklady s testovacím
případem, tak by měla být četnost diagnostických kódů z testovacího případu mezi nalezenými
nejpodobnějšími příklady vyšší. Mezi nalezenými nejpodobnějšími příklady by se tento kód měl
tedy vyskytovat častěji, nebo ve stejném počtu, ale na menší množství všech položek. Pro
každý kód u testovacího případu byl tedy stanoven poměr jeho četnosti v nalezených
příkladech oproti jeho četnosti v celé trénovací množině. Celková úspěšnost byla stanovena
jako průměr poměrů těchto četností pro všechny diagnostické kódy obsažené u testovacího
příkladu.
100
[ ]
( ∑
⁄
)
⁄
U – výsledná úspěšnost návrhu diagnózy v procentech
Dk – jeden diagnostický kód u testovaného případu
N – celkový počet nalezených nejpodobnějších příkladů
C – celkový počet příkladů v trénovací množině
n – počet diagnostických kódů u testovaného případu
Před popisem a zobrazením výsledků jednotlivých testů je třeba stanovit následující:
-
-
Grafy zobrazující hodnoty nebo průběhy výsledků jednotlivých testů nejsou záměrně
proloženy nebo jakkoli interpolovány, aby bylo zřejmé, jaké jsou skutečné výchylky pro
jednotlivé naměřené hodnoty.
Při několikanásobném opakovaném měření úspěšnosti je vždy vypočten celkový
průměr úspěšnosti ze všech těchto měření a současně rozptyl. Tyto dvě hodnoty
dostatečně charakterizují celkové chování konkrétních veličin.
Test A) Test spočíval v základním zjištění, jaké úspěšnosti lze dosáhnout pouze prostým
návrhem několika nejčastěji se vyskytujících diagnostických kódů a byl vytvořen následovně:
-
-
Testovací množina obsahovala postupně 1/3, 1/4 a 1/5 případů náhodným výběrem ze
vstupního souboru oklasifikovaných příkladů.
Úspěšnost byla stanovena podle typu 1, tedy jako poměr počtu nalezených
diagnostických kódů k počtu hledaných diagnostických kódů
Jako nejčastěji se vyskytující diagnózy byly zvoleny H532 (u 64 příkladů), H502 (u 42
příkladů) a H500 (u 30 příkladů). Vyskytují se tedy alespoň u 1/3 oklasifikovaných
příkladů, což je i současně největší část vybíraná mezi testovací případy.
Test byl 200x opakován pro vyloučení nerovnoměrnosti vytvoření testovací množiny
při jejím náhodného výběru.
a)
b)
c)
Obrázek 11.1: Úspěšnost návrhu diagnózy při použití pouze jednoho (červená), dvou (zelená) nebo tří (modrá)
nejčastějších diagnostických kódů při využití a) 1/3, b) 1/4 a c) 1/5 vstupního souboru jako testovací data při testu
A. Test byl 200x opakován.
101
Tabulka 11.1: Celkový průměr a rozptyl podle testu typu A při využití 1/3, 1/4 a 1/5 vstupního souboru jako
testovací data.
diagnózy \ případů
H532
H532, H502
H532, H502, H500
1/3 případů z celku
21% (8%)
33% (15%)
40% (19%)
1/4 případů z celku
21% (11%)
33% (21%)
41% (29%)
1/5 případů z celku
21% (15%)
34% (31%)
41% (43%)
Obrázek 11.1 a Tabulka 11.1 poskytuje výsledky testu A. Z testu je zřejmé, že pouhým návrhem
nejčastěji se vyskytujících třech diagnostických kódů lze dosáhnou průměrné úspěšnosti
návrhu diagnózy zhruba 40%. Při použití pouze dvou nejčastějších kódů je to zhruba 33% a pří
použití pouze jednoho nejčastějšího kódu je to zhruba 21%. Tato skutečnost tedy odpovídá
stavu, kdy by systém pro návrh diagnózy pouze poskytoval nejčastěji se vyskytující kódy
diagnóz. Úspěšnost 40% není ani poloviční a proto ji zdaleka nelze považovat za přijatelnou
nebo aspoň dostatečnou. Vypovídá však něco o rozložení diagnostických kódů v získaných
datech. Test byl vytvořen pouze pro základní orientaci, protože využití tohoto postupu návrhu
diagnózy je v lékařském oboru nepřípustné.
Test B) Test spočívá ve zjištění závislosti úspěšnosti návrhu diagnózy na typu a množství
nalezených nejpodobnějších příkladů. Nejpodobnější příklady jsou hledány pomocí podobnosti
tvarem, shodou posunem a shodou pootočením. Test tedy hodnotil, jaké úspěšnosti lze
dosáhnout při využití pouze příkladů nalezených přímou podobností tvarem, poté i nepřímou
podobností tvarem, a nakonec současně i shodou posunu a potočení. Test byl koncipován
následovně:
-
-
-
Testovací množina obsahovala postupně 1/3, 1/4 a 1/5 případů náhodným výběrem ze
vstupního souboru oklasifikovaných příkladů
Pro každé rozdělení bylo vykonáno několik typů testů a vypočtena jejich úspěšnost:
o Úspěšnost při využití pouze příkladů nalezených podle přímé podobnosti tvaru.
o Úspěšnost při využití pouze příkladů nalezených podle nepřímé podobnosti
tvarem.
o Úspěšnost při použití všech nalezených příkladů. Tedy podobnost přímým i
nepřímým tvarem, posunem a pootočením.
Před hodnocením úspěšnosti byl z každého nalezeného seznamu příkladů (přímé
tvarem, nepřímé tvarem, shodné posun, shodné potočení) využit pouze omezený
počet nalezených příkladů. Cílem není poskytnout „nějakou“ diagnózu za každou cenu,
ale „vhodnou“ diagnózu. Využití nalezených příkladů v seznamech bylo zvoleno
následovně:
o Buď pouze ty co splňovaly určitá kritéria:
 Posun pouze ve stejném směru jako případ.
 Pootočení pouze ve stejném směru jako případ.
 Tvar obrazce se nelišil o více než 6 symbolů v reprezentaci hran.
o Nebo pouze nejlepších deset, pokud předešlý bod splňovalo více nalezených
příkladů.
Úspěšnost byla stanovena podle typu 1, tedy jako poměr počtu nalezených
diagnostických kódů k počtu hledaných diagnostických kódů.
102
-
Test byl 200x opakován pro vyloučení nerovnoměrnosti vytvoření testovací množiny
při náhodného výběru.
a)
b)
c)
Obrázek 11.2: Úspěšnost návrhu diagnózy při použití a) 1/3, b) 1/4 a c) 1/5 vstupního souboru jako testovací data
při testu B. Využití pouze příkladů nalezených pomocí přímé podobnosti tvarem (modrá), přímé a současně
nepřímé podobnosti tvarem (zelená) a všech nalezených příkladů (červená). Vždy je využito maximálně 10
nejlepších nalezených příkladů. Test byl 200x opakován.
Tabulka 11.2: Celkový průměr a rozptyl podle testu typu B při využití 1/3, 1/4 a 1/5 vstupního souboru jako
testovací data.
úspěšnost \ případů
přímé příklady
přímé a nepřímé př.
všechny nalezené př.
1/3 případů
79% (31%)
84% (28%)
88% (18%)
1/4 případů
80% (45%)
84% (42%)
88% (25%)
1/5 případů
80% (47%)
86% (44%)
89% (25%)
Obrázek 11.2 a Tabulka 11.2 poskytuje výsledky testu B. Z naměřených údajů je zřejmé, že při
využití pouze příkladů nalezených přímou podobností tvarem lze dosáhnout úspěšnosti již
zhruba 80%. Jde v podstatě o dvojnásobnou úspěšnost než při pouhém využití třech nejčastěji
se vyskytujících diagnostických kódů z testu A. Algoritmus pro hledání nejpodobnějších obrazců
tvarem je tedy přibližně dvakrát úspěšnější než prosté „hádání“.
Při využití i příkladů nalezených nepřímých tvarem (pomocí podobnosti s již nalezenými
nejpodobnějšími příklady tvarem) dojde ke znatelnému zvýšení úspěšnosti návrhu diagnózy,
zhruba o 5%. Avšak při využití i nalezených příkladů se shodným posunem a pootočením dojde
k celkem znatelnému zvýšení úspěšnosti návrhu a to zhruba o 10%. Úspěšnost návrhu diagnózy
zhruba 90% lze hodnotit jako velmi dobrou. Tento stav, využití všech prvních deseti nalezených
příkladů z každého seznamu nalezených příkladů je tedy považován za nejlepší a bude použit i
pro další testy.
Rovněž je z testu zřejmé nepatrné zvýšení úspěšnosti při snížení počtu prvků testovací
množiny. Tato skutečnost je odůvodnitelná, protože poté trénovací množina v tomto případě
obsahuje více položek, než v jiných rozděleních a tím i větší pravděpodobnost nalezení
dostatečně podobných příkladů.
Test C) Výsledky testu B jsou téměř nezávislé na rozdělení vstupního souboru oklasifikovaných
příkladů na trénovací a testovací data. Jelikož byly použity pouze tři rozdělení a to 1/3, 1/4 a
1/5, je vhodné tuto skutečnost ověřit podrobněji. Z tohoto důvodu byl vytvořen následovně
koncipovaný test:
-
Množství testovacích případů bylo stanoveno v jemnějších krocích a to od hodnoty 5%
do hodnoty 95% s krokem 5% z celkového vstupního souboru klasifikovaných příkladů.
Množina testovacích případů byla vždy vybrána náhodně jako ve dříve uskutečněných
testech.
103
-
Úspěšnost byla stanovena podle typu 1, tedy jako poměr počtu nalezených
diagnostických kódů k počtu hledaných diagnostických kódů.
Každý test byl 20x opakován pro vyloučení nerovnoměrnosti vytvoření testovací
množiny při náhodného výběru.
Obrázek 11.3: Závislost úspěšnosti návrhu diagnózy na rozdělení vstupní množiny na trénovací a testovací část.
Osa X udává poměr v % použití vstupnho souboru jako testovací data. Využití pouze příkladů nalezených pomocí
přímé podobnosti tvarem (červená), přímé a současně nepřímé podobnosti tvarem (zelená) a všech nalezených
příkladů (modrá). Vždy je využito maximálně 10 nejlepších nalezených příkladů.
Obrázek 11.3 ozřejmuje, že úspěšnost návrhu diagnózy není příliš znatelně závislá na rozdělení
souboru oklasifikovaných příkladů na trénovací a testovací část. Samozřejmě jistý pokles
úspěšnosti s rostoucím počtem testovacích případů a snižujícím se počtem trénovacích
příkladů je detekovatelný. Rovněž pokles úspěšnosti na začátku a konci grafu lze vysvětlit
následovně:
-
-
Vstupní soubor obsahuje současně tzv. osamocené příklady, ke kterým neexistují jiné
dostatečně podobné. Při využití pouze 5% vstupního souboru jako testovací případy a
současně mezi ně náhodným výběrem těchto osamocených příkladů dojde
k celkovému poklesu úspěšnosti návrhu diagnózy. Testovací množina tedy jednak může
obsahovat tyto osamocené příklady a současně zcela jistě obsahuje velmi malý počet
prvků pro vytvoření dobrého průměrného hodnocení. Každá nízká úspěšnost, pro
některý případ z testovací množiny v tomto celkově malém množství tedy negativně
ovlivní výslednou průměrnou hodnotu.
Při využití téměř 95% vstupního souboru, jako testovací data, se již mezi trénovacími
daty nevyskytuje dostatečné množství podobných příkladů pro vhodný návrh diagnózy.
Celková průměrná úspěšnost tedy klesá.
Výsledky testu však odpovídají předpokladům o rozložení příkladů ve vstupní množině
oklasifikovaných příkladů.
Test D) V testu B byla úspěšnost hodnocena pomocí všech (deseti v každém výstupním
seznamu) nalezených nejpodobnějších příkladů. Jedná se o vhodný typ hodnocení, protože
počítačový systém není schopen zcela jistě rozhodnout, který z nalezených příkladů, je
skutečně ten nejvhodnější. Poněkud jiná situace může nastat v případě lékaře. I když systém
seřadí nalezené příklady podle svého algoritmu, tak nemusí být seřazeny podle skutečně
nejlepší lékařské podobnosti. Lékař prohlédne nalezené a tedy i seřazené příklady a například
okamžitě rozhodně, že třetí je nejlepší. Tohoto návrhový systém automatický těžko dosáhne.
Tento test je pokusem o vytvoření tzv. simulovaného lékaře. Princip je následující. V případě
použití testovacího případu známe jeho správnou diagnózu, což v reálném světě samozřejmě
není možné. Proto můžeme v nalezených příkladech najít ten, který je testovanému případu
104
nejvíce podobný právě diagnózou a ten považovat na nejlepší nalezený a využít jej pro
stanovení úspěšnosti návrhu diagnózy. Na jednu stranu se tento krok může zdát jako
nekorektní využití testovacích dat pro možné zvýšení úspěšnosti systému. Na druhou stranu
však může jít o zcela reálný krok ze strany lékaře při výběru nejvhodnějšího z nabízených
příkladů. Systém nalezené příklady řadí pouze podle matematické podobnosti, nikoli podle
diagnózy, protože ji u nového případu samozřejmě nezná. Algoritmus stanovující podobnost je
vytvořen zejména na základě matematických a nikoli lékařských znalostí. Test je tedy
koncipován shodně jako test B, ale pro stanovení úspěšnosti je vybrán právě pouze takový
jeden nalezený příklad, který je diagnózou nejvíce podobný právě testovanému případu.
Způsob stanovení úspěšnosti je rovněž shodný jako v testu B.
Obrázek 11.4: Úspěšnost návrhu diagnózy při využití pouze jediného nejlepšího nalezeného příkladu (z každého
výsledného seznamu nalezených příkladů): pouze jediného příkladu nalezeného pomocí přímé podobnosti
tvarem (modrá), jednoho podle přímé a současně jednoho podle nepřímé podobnosti tvarem (zelená) a jednoho
z každého seznamu nalezených příkladů (červená). Využito 1/3 vstupních dat jako testovací množiny.
Obrázek 11.4 dokazuje, že úspěšnost návrhu diagnózy při využití pouze jednoho i když
nejlepšího nalezeného příkladu je poněkud nižší než při využití všech deseti nalezených
příkladů. Průměrná úspěšnost při využití pouze jednoho nejlepšího příkladu je tedy zhruba 80%
a rozptyl 20%. Tento stav je zcela snadno zdůvodnitelný a to následovně: v testu B byly
využívány všechny nalezené příklady, ale v testu D je využíván pouze jeden, i když nejvhodnější.
Nejvhodnější nalezený příklad obsahuje samozřejmě pouze podmnožinu diagnóz ze všech
nalezených příkladů, nikdy ne více. V ideálním případě obsahuje tolik diagnóz jako ostatní
nalezené příklady dohromady, ale tato skutečnost nemusí být častá.
Úspěšnost testu D by byla shodná s úspěšností testu B pouze v případě, že se vždy podaří najít
dostatečně podobný příklad, který současně obsahuje tolik potřebných diagnóz jako všechny
ostatní nalezené případy dohromady.
Test E) V doposud vykonaných testech byl pro stanovení úspěšnosti detekován pouze výskyt
hledané diagnózy mezi nalezenými příklady a nikoli například její početné zastoupení mezi
nalezenými příklady. Algoritmus pro návrh diagnózy nejen že vyzvedne všechny kódy diagnóz
obsažené v nalezených příkladech, ale současně je seřadí podle četnosti jejich výskytu. Lze tedy
hodnotit, na jakém místě v tomto seznamu se hledaná diagnóza nachází. Zde však vyvstává
problém jak vhodně spojit hodnocení, kolik diagnóz se v příkladech vyskytuje a na jakých
pozicích v celkovém seznamu (vzorec 11.2). Úspěšnost byla stanovena podle typu 2. Hodnotí se
v podstatě, kolik pozic od začátku seznamu by hledané diagnózy měli zaujímat, v ideálním
případě tolik kolik je diagnóz, k počtu pozic jak jsou skutečně diagnózy od začátku seznamu
vzdáleny.
105
Obrázek 11.5: Úspěšnost návrhu diagnózy podle hodnocení nejen přítomnosti, ale současně i pozic hledaných
diagnóz ve výsledném seznamu diagnóz vytvořeného na základě seznamu nejpodobnějších nalezených příkladů
podle testu E. Využito 1/3 vstupních dat jako testovací množiny. Test byl 200x opakován.
Tabulka 11.3: Průměrné hodnoty úspěšnosti a rozptyl při návrhu diagnózy pomocí testu E.
úspěšnost \ příkladů
úspěšnost
přímé tvarem
75% (25%)
přímé, nepřímé tvar.
79% (24%)
všechny seznamy
82% (14%)
Obrázek 11.5 a Tabulka 11.3 podává informace o úspěšnosti návrhu diagnózy nejen podle
pouhého výskytu diagnostických kódů, ale i v závislosti na její pozici od začátku vytvořeného
seznamu. Nejlepší průměrná úspěšnost při využití nalezených příkladů ze všech seznamů je
82% a rozptyl 14%. Tato úspěšnost je poněkud nižší a to o necelých 10% než u testu B (Tabulka
11.2). Z tohoto plyne, že se správné diagnózy ve výstupním seznamu skutečně vyskytují, ale
velmi často ne všechny na prvních místech. Jejich pouhý výskyt tvoři 0.9 část celkového
hodnocení. A jejich pozice tvoří 0.1 část hodnocení, která je zřejmě nižší než své maximum.
Test F) Tento test je určen pro zcela jiný typ detekce vhodnosti nalezených příkladů a je
založen na následujícím principu. Četnost hledaného kódu diagnózy v trénovacím souboru má
určitou hodnotu danou jejím výskytem na počet příkladů v tomto trénovacím souboru. Pokud
algoritmus nalézá skutečně nejpodobnější příklady s testovacím případem, tak by měla být
četnost tohoto kódu diagnózy mezi nalezenými případy vyšší. Algoritmus přeci nalézá ty
příklady, které jsou nejpodobnější a měly by tedy obsahovat shodnou diagnózu. Tento test je
tedy zaměřen na hodnocení poměru četnosti hledané diagnózy mezi nalezenými příklady a její
četností mezi všemi příklady v trénovacím souboru. Pokud algoritmus nalézá skutečně vhodné
příklady, tak by výsledný poměr těchto dvou četností mel být větší než 1. Úspěšnost byla
stanovena podle typu 3 (vzorec 11.3).
Obrázek 11.6: Poměr četností výskytu diagnózy mezi nejpodobnějšími nalezenými příklady a všemi příklady v
trénovací množině podle testu F. Využito 1/3 vstupních dat jako testovací množiny. Test byl 200x opakován.
Obrázek 11.6 uvádí zvýšení četnosti diagnostického kódu mezi nalezenými příklady oproti jeho
četnosti mezi všemi trénovacími příklady. Průměrná hodnota je 141%. Lze tedy konstatovat, že
algorimus nalézá skutečně vhodné příklady k návrhu diagnózy. Extrémní zvýšení četnosti nelze
očekávat, protože ve vstupním souboru může být množství téměř osamocených příkladů.
106
Jejich nalezením sice dojde ke zvýšení této četnosti mezi nalezenými příklady, ale ne o znatelně
velkou hodnotu.
Test G) Tento test ověřuje jak je seznam nalezených příkladů vhodně seřazen. Jde o obdobný
test jako v případě B, ale pro návrh diagnózy je využit pouze jeden, nebo dva nebo pět prvních
příkladů z každého seznamu, nikoli tedy všech deseti. Tedy pouze několika prvních položek ze
seznamu nalezených příkladů přímou podobností tvarem, nepřímou podobností tvarem,
shodou posunu a shodou pootočení. Z každého seznamu, nikoli dohromady. Úspěšnost byla
stanovena podle typu 1 (vzorec 11.1).
a)
b)
c)
Obrázek 11.7: Závislost úspěšnosti návrhu diagnózy na počtu využitých nejlepších nalezených příkladů a) jeden, b)
dva, c) pět podle testu G. Jako trénovací data byla využita 1/3 vstupních dat.
Tabulka 11.4: Průměrné úspěšnosti a rozptyly při využití jednoho, dvou a pěti nejlepších nalezených příkladů
podle testu G.
úspěšnost \ příkladů
úspěšnost
1 nejlepší
63% (42%)
2 nejlepší
73% (38%)
5 nejlepších
82% (37%)
Obrázek 11.7 a Tabulka 11.4 vypovídají o úspěšnosti při využití pouze několika prvních
nalezených příkladů. Tedy těch vyskytujících se po seřazení na několika prvních pozicích v
jednotlivých výstupních seznamech. Z naměřených údajů je zřejmé, že první příklad v seznamu
má skutečně největší přínos pro návrh diagnózy. Přínos druhého a dalších tří příkladů je rovněž
nezanedbatelný. Dokonce ani využitím prvních pěti nejlepších nalezených příkladů, tedy
poloviny, není dosaženo tak vysoké úspěšnosti jako při využití všech deseti nejlepších
nalezených příkladů. Toto značí rozloženost navrhované diagnózy mezi všech deset nejlepších
nalezených příkladů, ale současně jistou vhodnost seřazení nalezených příkladů.
Některé další parametry nemohly být hodnoceny neboť, není zaručena jejich korektnost. Každý
příklad obsahuje „správnost příkladu“ a „důvěryhodnost příkladu“. Jelikož se jedná o
prototypový systém s velmi omezeným počtem příkladů, které jsou získány pouze ze dvou
oddělení a to stejné nemocnice, tak nelze tyto vlastnosti hodnotit. Pro jejich budoucí
hodnocení navrhujeme zcela jiný a to následující postup:
-
Každý přispívatel do databáze příkladů oklasifikuje vkládaný příklad určitou hodnotou
„správnosti příkladu“ podle vlastního uvážení.
Každý přispěvovatel do databáze příkladů bude jednoznačně identifikován a tím bude
doložen původ každého vloženého příkladu. Původ bude později považován za
„důvěryhodnost příkladu“. Původ bude doložen elektronickým podpisem příkladu.
107
-
-
-
-
Nejprve se nebude na „správnost příkladu“ a „důvěryhodnost příkladu“ brát velký
zřetel. Tyto hodnoty tedy nebudou využity pro preferenci některých příkladů. Tyto
informace budou pouze zobrazovány uživateli.
Uživatelé při používání vytvořeného systému budou každý příklad hodnotit, do jaké
míry jim pomohl při stanovení diagnózy nebo jak jej oni považují za správný. Původ
tohoto hodnocení však bude rovněž doložen pomocí například elektronického podpisu,
pro detekci korektnosti hodnocení.
Po určitém čase vznikne obecné hodnocení „důvěryhodnosti příkladu“ ze kterého bude
později vytvořena důvěryhodnost pro každý zdroj. Tato důvěryhodnost se však
postupem času může měnit, člověk se učí.
Teprve po dlouhodobé činnosti tohoto systému lze informace o „správnosti příkladu“
pocházející ze zdroje obsahující určitou „důvěryhodnost“ využít jako preferenci při
návrhu diagnózy.
11.1.1 Úvahy o vstupním souboru oklasifikovaných příkladů
Z naměřených výsledků úspěšností návrhu diagnózy lze vyslovit některá konstatování o
vstupním souboru klasifikovaných příkladů z pohledu udaných diagnóz:
-
-
Využitý soubor klasifikovaných příkladů obsahuje pravděpodobně následující vnitřní
rozdělení:
o Podstatná část obsahuje několik málo skupin s větším počtem příkladů.
V každé skupině je tedy obsažen větší počet vzájemně si velmi podobných
příkladů tvarem a tedy i diagnózou.
o Již menší část obsahuje více skupin s menším počtem příkladů. V každé skupině
je tedy obsažen menší počet vzájemně si velmi podobných příkladů tvarem a
diagnózou.
o Zbývající část obsahuje převážně samostatně se vyskytujících příklady.
Většinou jde o jeden, dva nebo tři příklady vzájemně si podobné tvarem a
diagnózou.
Úspěšnost návrhu diagnózy nejvíce ovlivňuje skutečnost, do které skupiny příkladů
nový případ náleží:
o Do jedné z více početných skupin – úspěšnost návrhu diagnózy bude vysoká.
o Do jedné z méně početných skupin – úspěšnost návrhu diagnózy bude střední.
o Do zbylé části osamocených příkladů – úspěšnost návrhu diagnózy bude i velmi
nízká.
Nyní lze vysvětlit výkyvy v hodnocení úspěšnosti jednotlivých testů. Před testem byl vždy
náhodně vybrán soubor tetovacích případů z celkového, avšak zatím poměrně malého
vstupního souboru oklasifikovaných příkladů. Vlastní náhodný výběr případů v podstatě může
velmi ovlivnit výslednou úspěšnost návrhu diagnózy. Mohou nastat dvě krajní situace:
1) Mezi testovací případy jsou vybrány příklady z převážně více početných skupin.
Skupiny s velmi malým počtem jsou zastoupeny minimálně. Průměrná úspěšnost
108
takovéhoto souboru případů bude celkem vysoká, protože v podstatě pro každý
testovaný případ bude nalezen nějaký nejpodobnější příklad. Neúspěchy se ztratí.
2) Mezi testované případy jsou vybrány příklady z převážně méně početných skupin.
Ostatní skupiny jsou zastoupeny rovněž. Průměrná úspěšnost takovéhoto souboru
případů bude znatelně nižší, protože pro nemalý počet případů nebudou nalezeny
žádné nejpodobnější příklady.
Uvedené závěry jsou v podstatě shodné s předpokládaným reálným způsobem činnosti
systému pro návrh diagnózy. Lékař se rovněž nejčastěji setkává pouze s omezenou a častou
skupinou neboli typem okohybných poruch u pacienta. Pokud lékař případy zadává jako
příklady do systému pro návrh diagnózy, tak samozřejmě pro další nové takovéto případy
obdrží velmi vysokou úspěšnost návrhu diagnózy. Jde v podstatě o velmi podobné příklady a
tedy i diagnózy. Ovšem vždy za nějaký čas se u lékaře vyskytne pacient s ne zcela běžnou
poruchou a v tomto případě je úspěšnost systému pro návrh diagnózy mnohem nižší. Od
okamžiku přidání tohoto nového, ne zcela běžného případu mezi příklady bude již
v budoucnosti celková úspěšnost návrhu diagnózy systémem samozřejmě o něco vyšší. Tato
situace se stále opakuje. Ve většině případů bude tedy úspěšnost návrhu diagnózy poměrně
vysoká. V omezeném množství případů bude však poněkud nižší, vlivem menšího množství
obdobných příkladů. Nejnižší hodnocení se samozřejmě vyskytne u zcela nových dosud
nepozorovaných případů. Hodnocení systému pro návrh diagnózy pomocí nalezení
nejpodobnějšího příkladu tedy odpovídá předpokladům pro reálné použití.
11.2 Hodnocení část využívající pouze pravidla, pouze příklady a obou
částí v součinnosti.
Systém využívající pravidla nelze hodnotit pomocí úspěšnosti navržených diagnóz, protože tyto
diagnózy neobsahuje. Zapsat všechny diagnózy pomocí pravidel je velmi složité a možná až
nereálné a to z následujících důvodů:
-
-
-
Nejsou k dispozici všechny varianty příkladů pro danou diagnózu, aby bylo možno tato
pravidla vytvořit. Pravidlo by velmi pravděpodobně nepostihlo všechny možnosti HS
obrazce.
Tato pravidla by byla velmi složitá a vyžadovala by určitou pravděpodobnost svého
výstupu neboli příspěvek do celkového návrhu diagnózy. Systém pravidel by musel být
i více průchodový, aby postihl mnoho vzájemných závislostí.
Jedná se systém pro podporu lékaře, a tudíž je vhodné poskytnout více dílčích
informací než pouze jednu celkovou výstupní. Proto v pravidlové části byla snaha
zaměřit se spíš na dílčí poruchy než na konečnou diagnózu.
Pouze omezený počet pravidel produkuje přímo diagnózy, výstupem ostatních pravidel jsou
pouze tzv. symptomy různých poruch stylem ANO (symptom byl detekován) nebo NE
(symptom nebyl detekován) pro pozdější stanovení diagnózy lékařem. V případě výstupu NE,
není v žádném případě jisté, že pacient tento symptom neobsahuje, pouze lze konstatovat, že
pravidlo nebylo splněno. Pro možnost hodnocení pravidlového systému a poté pro srovnání
s příkladovým systémem byly všechny příklady ve vstupním souboru doplněny vektorem
109
těchto symptomů, které tato pravidla v podstatě produkují. V systému je 36 prototypových
pravidel, které tedy produkují 36 symptomů jako podporu pro stanovení diagnózy. Každý
trénovací příklad byl tedy doplněn v podstatě o výstupy těchto pravidel. Tedy o vektor
symptomů shodných právě s těmi, která produkují vytvořená pravidla.
Pro ověření byla stanovena v podstatě následující základní pravidla poskytující tyto typy
symptomů:
-
Zdravý pacient (obrazce, posun a potočení v pořádku).
Plná (obě oči), částečná (aspoň jedno oko) konvergence / divergence. Z toho
vycházející rovněž možnost diplopie.
Hypo nebo hyper polohy očí (svislé postavení očí).
Syndromy A a V.
Porucha, v podstatě omezení rozsahu, jednotlivých očních svalů na každém oku.
Některé neurologické poruchy (obrazce správné, ale posunuté, obrazce zúžené vnitřně
nebo vnějšně).
Jiná svalová nebo neurologická porucha (obrazec obsahuje jiné symptomy, než jsou
zahrnuty v pravidlech).
Ke každému příkladu je tedy připojen vektor obsahující těchto 36 symptomů (hodnocených
ANO nebo NE) podle rozhodnutí, neboli uvážení lékaře. Výstupem vytvořených pravidel je
rovněž vektor obsahující těchto 36 symptomů hodnocených rovněž ANO nebo NE podle
úspěšnosti příslušného pravidla. Tyto vektory lze tedy hodnotit na shodu. Pravidla se aplikují
vždy všechna postupně.
Nyní již lze porovnat stavy symptomů produkovaných pravidly se symptomy zapsanými přímo
u daného příkladu, které stanovil lékař a tak hodnotit úspěšnost pravidlového systému. Rovněž
je vhodné zhodnotit samostatně výstup pouze příkladového systému, pouze pravidlového
systému a sjednocený výstup příkladového a pravidlového systému:
-
-
-
Pouze pravidlový systém. Úspěšnost byla hodnocena podle schody výstupu pravidel a
vektoru symptomů u testovaného případu. Diagnózy v tomto typu hodnocení nebyly
využity a místo nich jsou využity zmíněné symptomy.
Pouze příkladový systém. Nyní nebyly pro hodnocení úspěšnosti použity kódově
zapsané diagnózy, ale vektory symptomů zapsané u každého nejpodobnějšího
nalezeného příkladu oproti testovanému případu. Rovněž z prvních deseti nalezených
příkladů.
Příkladový a pravidlový systém současně. Zde byl sloučen výstup příkladového
systému, tedy výstup prvních deseti nalezených příkladů a současně výstupy pravidel.
Jelikož se jedná o stejné vektory symptomů, tak je lze vhodně sloučit.
Pro hodnocení bylo zvoleno několik standardních postupů. Nejprve je nutno definovat
potřebné pojmy:
Pi – množina predikovaných symptomů, tedy výstup predikčního, neboli návrhového systému
Yi – množina symptomů uvedených u testovaného příkladu
110
q – celkový počet symptomů, které se hodnotí
m – počet testovaných příkladů v jednom testu neboli pokusu
Úlohy, které řešíme, jsou označovány jako „úlohy hodnocené více značkami (multi-label)“. Při
hodnocení byly použity postupy pro hodnocení úloh s „více značkami“ podle [19][20]:
Subset accuracy (počet shod přes všechny symptomy) – udává počet shod mezi odpovídajícími
si položkami predikovaného vektoru symptomů a vektoru symptomů testovaného případu.
Toto průměrně přes všechny testované příklady.
Hodnotí se počet shod stavů symptomů přes všechny odpovídající si symptomy v obou
porovnávaných vektorech. Nikoli pouze těch s příznakem ANO. Jde tedy o celkový počet shod
ANO - ANO a současně také NE - NE přes všechny odpovídající si pozice v predikovaném a
testovaném vektoru symptomů.
Jedná se tedy v podstatě o hodnocení pouze skutečně shodných symptomů a to ve smyslu
symptom indikován (ANO - ANO) nebo symptom neindikován (NE - NE) v obou porovnávaných
vektorech. Jsou-li si všechny odpovídající symptomy v obou vektorech shodné stavem, tak
hodnocení nabývá svého maxima (počtu symptomů). Funkce I je definována jako I(Pi = Yi) => 1
nebo I(Pi <> Yi) => 0.
∑
Hamming loss (Hammingova stráta) – udává počet neshod mezi odpovídajícími si položkami
predikovaného vektoru symptomů a testovaného vektoru symptomů lomený celkovým počet
všech symptomů ve vektoru. Toto průměrně přes všechny testované příklady.
Hodnotí se počet neshod stavů symptomů přes všechny odpovídající si symptomy v obou
porovnávaných vektorech. Jde tedy o celkový počet neshod ve smyslu ANO – NE a NE – ANO
přes všechny odpovídající si pozice v predikovaném a testovaném vektoru symptomů. Počet
detekovaných neshod je lomen celkovým počtem symptomů, tedy délkou vektoru, pro snížení
závislosti na počtu porovnávaných, neboli hodnocených položek.
Jde tedy v podstatě o hodnocení počtu neúspěšně predikovaných symptomů k celkovému
počtu symptomů. Jedná se o vyjádření nepřesnosti dílčí predikce ve vztahu k celkovému počtu
položek. Jsou-li predikovány pouze testované symptomy a to správně, tak toto hodnocení
nabývá svého minima.
∑
⌈
⌉
Accuracy (přesnost) – udává počet shodných symptomů, mezi hledanými a predikovanými,
k celkovému počtu jak hledaných tak i predikovaných symptomů (bez opakování). Toto
průměrně přes všechny testované příklady.
Hodnotí se počet symptomů odpovídajících si pouze stavem ANO – ANO v predikovaném a
testovaném vektoru (tedy jejich průnik) k celkovému počtu symptomů se stavem ANO
v predikovaném a testovaném vektoru dohromady bez opakování (tedy jejich sjednocení).
111
Jde v podstatě o počet současně shodných pouze aktivních symptomů v obou vektorech
k celkovému počtu všech aktivních symptomů v obou vektorech bez jejich opakování. Jsou-li
predikovány pouze hledané symptomy a to správně tak toto hodnocení nabývá svého maxima.
Hodnocení klesá nejen s počtem nesprávně predikovaných symptomů.
∑
⌈ ⋂ ⌉
⌈ ⋃ ⌉
Precission (preciznost) – udává počet shodných symptomů, mezi hledanými a predikovanými, k
počtu predikovaných symptomů. Toto průměrně přes všechny testované příklady.
Hodnotí se počet symptomů odpovídajících si pouze stavem ANO – ANO v predikovaném a
testovaném vektoru (tedy jejich průnik) k celkovému počtu symptomů se stavem pouze ANO
v predikovaném vektoru.
Jde v podstatě o počet shodných pouze aktivních symptomů v obou vektorech k celkovému
počtu aktivních symptomů pouze v predikovaném vektoru. Jsou-li predikovány pouze hledané
symptomy a to správně tak toto hodnocení nabývá svého maxima. Hodnocení klesá s počtem
nesprávně kladně predikovaných symptomů.
∑
⌈ ⋂ ⌉
⌈ ⌉
Recall (přesnost) – udává počet shodných symptomů mezi testovanými a predikovanými,
k počtu testovaných symptomů. Toto průměrně přes všechny testované příklady.
Hodnotí se počet symptomů odpovídajících si pouze stavem ANO – ANO v predikovaném a
testovaném vektoru (tedy jejich průnik) k celkovému počtu symptomů s pouze stavem ANO
v testovaném vektoru.
Jde v podstatě o počet shodných pouze aktivních symptomů v obou vektorech k celkovému
počtu aktivních symptomů pouze v testovaném vektoru. Hodnocení klesá s počtem
nenalezených kladných symptomů.
∑
⌈ ⋂ ⌉
⌈ ⌉
Harmonic mean (Harmonický průměr) – udává dvounásobný počet shodných symptomů, mezi
hledanými a predikovanými symptomy, k celkovému počtu nalezených a predikovaným
symptomů (s opakováním). Toto průměrně přes všechny testované příklady.
∑
⌈ ⋂ ⌉
⌈ ⌉ ⌈ ⌉
112
Tabulka 11.5: Hodnocení úspěšnosti příkladové části, pravidlové části a obou v současnosti pro 10, 5, 3, 2 a pouze
1 nejpodobnější nalezený příklad (v příkladové části).
hod. pro 10 nej.
Subset accuracy
Hamming loss
Accuracy
Precission
Recall
Harmonic mean
pouze pravidla
34,59 [0,02]
3,10% [0,14%]
72,05% [28,26%]
76,85% [27,54%]
73,38% [20,02%]
74,59% [22,58%]
pouze příklady
24,00 [1,13]
31,43% [9,22%]
16,41% [3,18%]
16,84% [3,75%]
86,20% [30,67%]
26,85% [6,39%]
pravidla a příklady
34,70 [0,02]
2,79% [0,19%]
75,12% [30,24%]
84,89% [34,76%]
68,67% [21,75%]
75,97% [24,96%]
hod. pro 5 nej.
Subset accuracy
Hamming loss
Accuracy
Precission
Recall
Harmonic mean
pouze pravidla
34,59 [0,02]
3,10% [0,14%]
72,05% [28,26%]
76,85% [27,54%]
73,38% [20,02%]
74,59% [22,58%]
pouze příklady
27,49 [0,54]
21,45% [4,39%]
20,94% [6,68%]
22,06% [7,95%]
75,12% [71,44%]
32,23% [12,16%]
pravidla a příklady
34,62 [0,03]
3,03% [0,24%]
72,21% [40,22%]
84,71% [47,64%]
64,84% [32,34%]
73,41% [35,86%]
hod. pro 3 nej.
Subset accuracy
Hamming loss
Accuracy
Precission
Recall
Harmonic mean
pouze pravidla
34,59 [0,02]
3,10% [0,14%]
72,05% [28,26%]
76,85% [27,54%]
73,38% [20,02%]
74,59% [22,58%]
pouze příklady
29,01 [0,21]
17,12% [1,75%]
24,99% [10,79%]
26,48% [11,94%]
66,32% [67,34%]
35,51% [16,56%]
pravidla a příklady
34,53 [0,04]
3,29% [0,31%]
68,28% [56,31%]
81,40% [62,65%]
60,70% [42,28%]
69,48% [49,43%]
hod. pro 2 nej.
Subset accuracy
Hamming loss
Accuracy
Precission
Recall
Harmonic mean
pouze pravidla
34,59 [0,02]
3,10% [0,14%]
72,05% [28,26%]
76,85% [27,54%]
73,38% [20,02%]
74,59% [22,58%]
pouze příklady
30,26 [0,18]
13,54% [1,44%]
29,84% [17,23%]
31,90% [18,94%]
62,03% [50,37%]
39,73% [22,70%]
pravidla a příklady
34,49 [0,04]
3,40% [0,31%]
66,80% [52,20%]
80,53% [58,91%]
59,01% [39,03%]
68,00% [45,82%]
hod. pro 1 nej.
Subset accuracy
Hamming loss
Accuracy
Precission
Recall
Harmonic mean
pouze pravidla
34,59 [0,02]
3,10% [0,14%]
72,05% [28,26%]
76,85% [27,54%]
73,38% [20,02%]
74,59% [22,58%]
pouze příklady
31,08 [0,14]
11,21% [1,12%]
32,19% [21,00%]
35,08% [23,22%]
57,40% [44,88%]
41,48% [26,76%]
pravidla a příklady
34,40 [0,04]
3,63% [0,32%]
63,08% [49,08%]
79,51% [57,23%]
55,53% [37,74%]
64,99% [42,84%]
113
a)
b)
c)
Obrázek 11.8 Hodnocení úspěšnosti v závislosti na počtu uvažovaných nejpodobnějších nalezených příkladů a)
pouze pravidla, b) pouze příklady, c) pravidla a příklady současně. Počet uvažovaných nejpodobnějších
nalezených příkladů je na ose X.
Tabulka 11.5 obsahuje mnoho položek a je potřeba souhrnně vysvětlit jejich vypovídací
hodnotu ve vztahu k hodnocení zejména součinnosti obou vytvořených systémů:
Subset Accuracy (SA) – Vyjadřuje shodu jednotlivých položek mezi vektorem predikovaných
symptomů a současně vektorem testovaných symptomů. Vždy podle stejného indexu v obou
uvažovaných vektorech a to shodu symptomů ve smyslu ANO – ANO a NE – NE. Při současném
použití i příkladového systému zde nepatrně závisí na počtu využitých nejpodobnějších
nalezených příkladů. Při využití všech deseti nejpodobnějších nalezených příkladů se tato
hodnota nepatrně zvyšuje oproti použití pouze pravidlovému systému. Naopak při využití
pouze jednoho nejpodobnějšího nalezeného příkladu se tato hodnota nepatrně snižuje oproti
pouze pravidlovému systému. Příkladový systém je tedy schopen při vhodném obsahu
databáze příkladů pravidlový systém vhodně doplnit, ale naopak při nedostatečné databázi jej
v součinnosti typu AND poškozuje (viz. Kapitola 10.6). Změna hodnoty je však velmi malá.
Hamming Lost (HL) – Jde v podstatě o opačný princip hodnocení než v předchozím hodnocení
SA a vyjadřuje počet neshodných položek v predikovaném a testovaném vektoru symptomů.
Z naměřených hod je zcela zřejmé, že pokud hodnota SA rosta tak hodnota HL klesá a naopak.
Pokud tedy roste počet shodných symptomů, tak klesá počet neshodných a naopak.
Accuracy – Vyjadřuje poměr počtu shodných symptomů (nalezených a hledaných) k celkovému
počtu současně predikovaných a hledaných symptomů současně (bez opakování). Při
součinnosti obou systémů (pravidlového a příkladového) rovněž záleží na počtu využitých
nejpodobnějších nalezených příkladů. Při použití všech deseti nejpodobnějších nalezených
příkladů se tato hodnota zvyšuje o zhruba 3% oproti pouze pravidlovému systému. Při použití
pouze pěti nejpodobnějších nalezených příkladů se tato hodnota zvyšuje již pouze o zhruba
0.2% oproti pouze pravidlovému systému. Při dalším snížení počtu využitých nejpodobnějších
nalezených příkladů již klesá i pod úroveň hodnocení samotného pravidlového systému. Se
snižujícím se počtem nejpodobnějších příkladů klesá nejen počet předikovaných symptomů,
ale rovněž počet vhodných predikovaných symptomů. Příkladový systém je tedy schopen při
vhodném obsahu databáze příkladů pravidlový systém vhodně doplnit, ale naopak při
nedostatečné databázi jej v součinnosti typu AND poškozuje (viz. Kapitola 10.6).
Precission – Vyjadřuje počet shodných symptomů k počtu predikovaných symptomů. Toto
hodnocení se vzájemnou součinností obou systémů znatelně zvyšuje. Při použití všech deseti
nejpodobnějších nalezených příkladů dokonce až o 10%, při použití pouze pěti o 8%, při použití
pouze tří o 5% a při použití pouze jednoho nejpodobnějšího nalezeného příkladu dokonce o
3%. Součinností obou systémů typem AND dochází k výběru pouze relevantních symptomů při
predikci a tím zkvalitnění celkového výstupu systému. Tato skutečnost rovněž velmi zřetelně
114
dokazuje vhodnou součinnost obou systémů. Rovněž vypovídá o schopnosti umisťovat nejvíce
podobné nalezené příklady na první místa ve výstupním seznamu.
Recall – Vyjadřuje počet shodných symptomů k počtu testovaných symptomů. Hodnota však
při současném použití i příkladového systému klesá. Tato skutečnost je dána snižujícím se
počtem vhodných predikovaných symptomů (v součinnosti AND) a na druhou stranu stále
stejným počtem testovaných symptomů. Oba systémy mohou poskytovat poněkud odlišné
symptomy (dáno jejich principem) a v tomto typu hodnocení (počet shodných symptomů ve
jmenovateli při konstantním čitateli) nemusí být součinnost obou systémů vhodná.
Tabulka 11.5 obsahuje tedy výsledky hodnocení pro samotný pravidlový systém, samotný
příkladový systém a jejich součinnost. Než však lze výsledky celkově hodnotit, tak je nutno
připomenout některé důležité skutečnosti:
-
-
Pravidlový systém produkuje přímo vektor symptomů. Jde v podstatě přímo o výstupy
pravidel. Při hodnocení úspěšnosti je tedy porovnáván přímo predikovaný vektor
symptomů s vektorem symptomů uloženým u testovaného případu. Použije se tedy
přímo vstupní případ a pomocí pravidel se generují symptomy, které jsou poté
porovnávány se symptomy uloženými u testovaného případu. Zde nikterak nezáleží na
velikosti trénovací množiny, protože se žádná nevyužívá. Výstup se generuje přímo z
dat zadaného testovaného případu. Při jakémkoli náhodném výběru testovacích
případů z celkového počtu dostupných oklasifikovaných příkladů je hodnocení daného
případu v pravidlovém systému vždy shodné.
Příkladový systém nejprve mezi všemi dostupnými příklady nalezne nejbližší podobné
příklady k testovanému případu. Pro hodnocení se tedy využijí pouze výstupy
nalezených příkladů. Nikoli vlastní testovaný případ jako v pravidlovém systému
(výstupy pravidel). Zde tedy velmi záleží na velikosti a bohatosti příkladové množiny,
tedy databáze evidovaných příkladů. Rovněž velmi záleží na výběru testovací množiny
z celkového počtu vstupních příkladů. Pokud budou do testovací množiny náhodou
vybrány všechny nejpodobnější příklady od daného vektoru symptomů, tak bude
úspěšnost návrhu symptomů nízká, protože databáze příkladů již nebude obsahovat
dostatečné množství podobných příkladu. Naopak pokud bude do testovací množiny
vybrán pouze jeden z větší skupiny podobných si příkladů, tak bude úspěšnost návrhu
vcelku velká, protože bude stále nalezen dostatečně podobný příklad.
Každý ze systémů je však navržen za poněkud odlišným účelem a to zle shrnout následovně:
-
Pravidlový systém pracuje pouze s daty uvažovaného vstupního případu a není tedy
nikterak závislý na velikosti databáze oklasifikovaných příkladů v systému. Jeho výstup
je tedy vždy totožný a nezávisí na množství příkladů. Pouze přidáním dalších pravidel
dojde buď k návrhu více symptomů, nebo jejich přesnějšímu určení. V ideálním případě
k návrhu některé koncové diagnózy. Tento systém poskytne lékaři zejména pouze
symptom do výsledné diagnózy a poté, je zcela na lékaři pro jakou diagnózu se
rozhodne. Pravidlový systém tedy lékaři nenabízí žádné obdobné alternativy nebo
dokonce nejpodobnější jiné možnosti a jejich ohodnocení. V nejhorším případě kdy na
daný vstup nelze úspěšně aplikovat skutečně žádné pravidlo, není vůbec žádný výstup
115
-
navržen. Toto nemusí být pro lékaře příznivé. Pravidlový systém navrhuje výstup pouze
v případě, pokud nalezne nějaké pravidlo, jehož podmínky jsou splněny. Pravidlový
systém je zaměřen na základní diagnózy pomocí symptomů.
Příkladový systém využívá pouze databázi již existujících oklasifikovaných příkladů.
Mezi nimi hledá ten nejpodobnější příklad k zadanému případu. Řekněme, že vždy
nějaký nejpodobnější existuje. I když může být poněkud vzdálenější než bychom
požadovali. Příkladový systém tedy téměř vždy navrhuje nějaký výstup. Tímto
výstupem je většinou v jistém smyslu nejpodobnější příklad a jeho tedy stanovená
diagnóza. Nejde však pouze o výstup ve formě diagnózy vyzvednuté z nalezeného
příkladu, ale o vlastní nalezený příklad. Samotná diagnóza nemusí být pro lékaře
přínosná, ale zobrazení nalezeného příkladu může lékaři připomenout některé
souvislosti, což v případě pravidlového systému nelze.
Proto oba systémy (příkladový a pravidlový) není vhodné takto striktně srovnávat pomocí
stejného typu hodnocení. Každý z nich je vhodný pro jiný typ vstupních případů a mohou se
tedy vždy vhodně doplňovat. Toto lze shrnout následovně:
-
-
Je-li v databázi příkladů dostatečně podobný příklad se vstupním testovaným
případem, pak jeho nalezením systém dospěje k vhodnému návrhu výstupní diagnózy.
V tomto případě je vhodnější příkladový přístup.
Není-li v databázi příkladů dostatečně podobný příklad, tak alespoň použitím pravidel
dojde k návrhu některých symptomů. Ani při neexistenci vhodného příkladu není tedy
lékař „ztracen“, protože pravidlový systém je schopen určitý návrh uskutečnit.
Tabulka 11.5 tedy uvádí výsledky z hodnocení úspěšnosti samotného příkladového systému,
samotného pravidlového systému a nakonec z jejich společné činnosti. Z jejich hodnot lze
odečíst následující skutečnosti:
-
-
-
Při využití pouze příkladového systému je úspěšnost nejnižší. Toto je dáno hodnocením
nikoli přímo testovaného případu, ale jeho srovnáním s nejpodobnějším příkladem
(nebo příklady), který je však vždy poněkud odlišný od uvažovaného případu nebo se
dokonce nemusí dostatečně podobný příklad v databázi vyskytovat.
Při využití pouze pravidlového systému je hodnocení úspěšnosti vcelku velmi vysoké.
Toto je dáno v podstatě přímo hodnocením tohoto testovaného případu pomocí
pravidel a tedy jeho výstupního vektoru symptomů, který pravidla vytvářejí. Jelikož
pravidel je pouze omezený počet tak lze hodnotit pouze omezený počet symptomů.
Symptomy jsou stanoveny z obrazce lékařem, současně vypočteny pomocí pravidel a
porovnány na úspěšnost shody. Vzhledem ke skutečnosti, že lékař při zápisu vektoru
symptomů používá v podstatě shodná pravidla, avšak mírně subjektivně upravena, lze
tedy očekávat celkem velkou shodu.
Spojení příkladového a pravidlového systému však nabízí znatelný přínos, což je zřejmé
například z položky „Precission“. Při tomto spojení se v predikovaném vektoru
symptomů vyskytuje vždy více relevantních symptomů. Toto je způsobeno přítomností
vektoru symptomů generovaného pravidly a poté vhodným spojením s vektorem
symptomů získaných z nalezených nejpodobnějších příkladů. Ty obsahují velmi často
116
tytéž symptomy jako vektor symptomů generovaný pravidly, ale rovněž další
symptomy, protože se do výstupu zahrnují další nejpodobnější příklady. Zcela stejné
příklady v databázi nemusí existovat. Oba systémy své výstupy vzájemně vhodně
filtrují.
Tabulka 11.5 vede rovněž k následujícím závěrům:
-
Bereme-li v úvahu pouze počet nalezených symptomů, tak jsou pravidla jednoznačně
úspěšnější než příklady.
Bereme-li v úvahu počet neshodných symptomů, pak jsou příklady znatelně horší než
pravidla.
Pohled na poslední čtyři řádky tabulky, které zachycují různé typy přesností,
dokumentuje, že spojení pravidlového a příkladového systému přináší nepopiratelnou
výhodu a dochází k dalšímu zvýšení úspěšnosti.
Tyto výsledky pouze potvrzují znatelně odlišnou činnost příkladového a pravidlového systému
a jeho vhodnost pro určité vstupní případy. Jak již bylo podrobněji vysvětleno dříve v této
kapitole.
11.3 Celkové hodnocení úspěšnosti podpory lékaře
Uskutečněné hodnocení úspěšnosti návrhu diagnózy jak pomocí diagnostických kódů pouze
pro příkladový systém, tak i pomocí vektoru symptomů pro tři uvedené možnosti zřetelně
ukazují na odlišnosti obou predikčních částí.
Pokud existují pravidla pro vstupní případ tak je podán vcelku správně soubor symptomů jako
nápověda lékaři pro stanovení diagnózy a dále nalezené nejpodobnější příklady již mohou být
pouze vhodnou pomůckou pro uvědomění si některých dalších skutečností ze strany lékaře.
Nejde tedy o návrh konečné diagnózy, ale soubor pomocných symptomů.
Pokud však existuje v používané databází příkladů velmi podobný příklad tak jeho nalezením a
rovněž poskytnutím jeho diagnózy může být výsledná diagnóza určena mnohem přesněji než
v případě pravidlového systému. Půjde tedy o skutečný návrh diagnózy nikoli pouze podání
symptomů.
Z hlediska návrhu koncové diagnózy je samozřejmě výhodnější příkladový systém, ale při jeho
selhání lze stále často pomocí pravidlového systému obdržet velmi vhodnou nápovědu pro
stanovení diagnózy. Pravidla jsou tedy v tomto směru záchranným prvkem.
Naopak je však situace poněkud odlišnější. Pokud nejsou pro vstupní případ vhodná pravidla,
tak je velmi často nalezen nějaký nejpodobnější příklad. Konstatování „nejpodobnější“ je však
velmi relativní pojem. V podstatě vždy je nějaký příklad nejpodobnější, ale zaleží na skutečné
vzdálenosti od testovaného případu. Například nejbližší nalezené vyšší číslo z množiny sudých
čísel k číslu 2 je 4, i když bližší je samozřejmě 3, ale to v dané množině například právě
neexistuje. Shodný princip činnosti obsahuje příkladový systém, který nalézá pouze to, co
obsahuje jeho databáze.
Z hodnocení rovněž vyplývá skutečnost, že příkladový systém opravdu na prvních pozicích ve
výsledných seznamech poskytuje nejvíce relevantní, tedy nejpodobnější nalezené příklady. Lze
117
dokonce říci, že jako výstup příkladového systému je možno uvažovat nikoli všech deset
nejpodobnějších nalezených příkladů, ale pouze pět. Při použití pouze pěti nejlepších
nejpodobnějších nalezených příkladů dojde k minimálnímu poklesu úspěšnosti. Zároveň může
však dojít ke znatelnému zvýšení přehlednosti pro lékaře, který nebude „zasypán“ množstvím
nalezených informací, ale pouze těmi „podstatnými“.
118
12 Objektivizace procesu rehabilitace
Po stanovení diagnózy neboli zjištění aktuálního stavu pacienta, začíná proces rehabilitace
neboli vlastní léčby. Pojem rehabilitace zahrnuje léčbu některých forem strabismu (šilhavosti).
Slovo „některých“ je zde namístě, protože některé formy strabismu lze odstranit pouze pomocí
operace. Nelze je tedy dostatečně úspěšně léčit pouhou rehabilitací neboli cvičením. Jde
například o vrozené vady okohybných svalů nebo přetržení svalů.
12.1 Analýza rehabilitačního procesu
Proces rehabilitace se zásadně liší od procesu stanovení diagnózy. Tyto zásadní odlišnosti lze
shrnout následovně:
1) Soubor testů a úloh. Při stanovení diagnózy jsou v podstatě využívány všechny
dostupné testy pro vyšetření. Některé však mohou být vzhledem ke stavu pacienta
nepoužitelné, například z důvodu jeho velmi nízkého věku. Lékař tedy na pacienta
aplikuje celý soubor testů pro získání největšího množství informací. Naopak při
rehabilitaci je nutno ze souboru dostupných úloh zvolit pouze ty pro danou poruchu
nejvhodnější nebo dokonce přípustné.
2) Následnost testů a úloh. Při stanovení diagnózy je následnost testů v podstatě
jednoznačně určena a plyne přímo z doporučení. Vzhledem ke stavu pacienta lze
samozřejmě některé testy vynechat, nebo mírně pozměnit jejich pořadí. Při rehabilitaci
posloupnost úloh vyplývá nejen ze stanovené diagnózy, ale rovněž z vlastního
pozdějšího průběhu léčby. Velmi často však i ze zkušeností lékaře. V průběhu
rehabilitace se může posloupnost úloh nejen často, ale i zásadně měnit.
3) Zaměření testů a úloh. Při diagnóze jsou testy většinou zaměřeny na detekci konkrétní
poruchy nebo vady. Pouze v omezeném případě na více poruch nebo vad současně. Při
rehabilitaci naopak úloha ovlivňuje velmi často několik poruch současně. Jen velmi
zřídka pouze jednu konkrétní.
4) Úspěšnost. Stanovení diagnózy je téměř vždy úspěšné, neboť v podstatě vždy
obdržíme přijatelný výsledek (rozmezí, výčet hodnot). I když nemůžeme nikdy říci, zda
jsou výsledky skutečně správné. V rehabilitaci se úspěšnost hodnotí mnohem složitěji,
podle určitého rozmezí nebo výčtu hodnot neboť v některých případech je výsledek
velmi nejistý nebo dokonce nestálý. Naopak z pohledu pacienta můžeme kdykoli říci,
zda je pacient s rehabilitací spokojen nebo nikoli.
5) Časová náročnost. Stanovení diagnózy je v podstatě záležitost od několika minut až po
zhruba hodinu. Celkový čas je dán pouze součtem trvání jednotlivých testů. Když test
nelze vykonat, nahradí se jiným, nebo se vynechá. Zde čas závisí zejména na
zkušenostech lékaře, než na stavu pacienta. Naopak celkový čas rehabilitace nelze
téměř nikdy odhadnout a v průběhu vlastní rehabilitace se odhad může i velmi měnit.
Zde čas závisí zejména na stavu a přístupu pacienta, než na zkušenostech lékaře.
6) Znalosti. V průběhu stanovení diagnózy a návrhu rehabilitace jsou potřeba nejen zcela
jiné znalosti, z částečně jiného oboru, ale současně i zcela jiný postup uplatňování
119
těchto znalostí. Při diagnóze lékař řeší vzniklé problémy okamžitě například použitím
jiného test, ale pří rehabilitaci lékař velmi často určitý čas vyčkává na ustálení. Jde tedy
o zcela jiné rozhodování o dalším postupu.
7) Plánování. Při diagnóze lékař v podstatě neplánuje. Posloupnost testů je až na výjimky
daná a rovněž jejich průběh. Naopak posloupnost úloh při rehabilitaci zcela závisí na
aktuálním stavu pacienta, rozhodnutí lékaře a rovněž předchozím vývoji rehabilitace.
Je tedy nutno navrhnout jaké úlohy a jak budou využívány. Rovněž je někdy nutno
stanovený plán i několikrát přepracovat podle měnícího se stavu pacienta. Některá
z poruch se nelepší, jak se předpokládalo, naopak jiná byla vyléčena dříve, než se
předpokládalo.
Stanovení rehabilitačního postupu se tedy v mnoha směrech blíží plánování [12] s nejen
několikanásobným, ale zejména i zásadním přeplánováním v průběhu i dlouhodobé
rehabilitace. Nejde však o běžné plánování, jako například v průmyslu. Hlavní rozdíly jsou
zhruba následující:
-
-
-
-
-
-
-
V průmyslu plánujeme se stroji, například výrobu a jsou k dispozici jejich vhodné
modely. V rehabilitaci plánujeme léčbu s pacientem a těžko lze vytvořit vhodný model,
neboť se jedná o systém s mnoha neznámými parametry.
V průmyslu skutečně mnohem více plánujeme, než předpovídáme. V rehabilitaci
v podstatě předpovídáme a spíše odhadujeme. Jde tedy mnohem více o odhad vývoje
nebo spíše řečeno odhad směru vývoje, než o skutečné plánování.
V průmyslu často využíváme osvědčené a zaběhnuté postupy vedoucí velmi často ke
shodnému výsledku ve vyjádření: množství, kvalita a čas. V rehabilitaci můžeme rovněž
použít určité ověřené postupy, ale výsledky jsou málo kdy shodné ve smyslu: množství
(počet vyléčených vad), kvalita (dosažený cíl) a čas (celkový čas léčby).
V průmyslu se přeplánování uskuteční v podstatě okamžitě při detekci vychýlení od
směru k cíli plánu. V rehabilitaci není možno stavět na okamžité skutečnosti, ale
naopak na dlouhodobějším stavu. Mohou nastat nečekané skutečnosti jako náhlá
únava pacienta nebo jiné zdravotní problémy a další.
V průmyslu lze velmi vhodně plánování dekomponovat (podnik, dílna, stroj) neboť lze
abstrahovat několik úrovní případně částí, které spolu minimálně souvisejí (karoserie,
kola, sedačky v autě - velmi samostatné části). V rehabilitaci v podstatě vše souvisí se
vším. Okohybný aparát je řízen mozkovými centry a stejná centra jsou využívána
například i pro zrakové ostření na cíl. Nelze léčit pouze konkrétní poruchu.
V průmyslu lze často vytvořit a vyrobit nejprve jednu a poté druhou součást bez jejich
větších závislostí. V rehabilitaci sice rovněž často odstraňujeme nejprve jednu poruchu
a poté druhou, ale protože mohou mít stejný zdroj příčiny, nelze se na toto vždy
spolehnout.
V průmyslu lze velmi snadno hodnotit celkovou úspěšnost naplánovaného procesu:
například splněno na 50%. Při léčbě strabismu, kdy je výsledná porucha složena
z několika dílčích tohoto nelze snadno dosáhnout. Když u pacienta odstraníme
tupozrakost (malou zrakovou ostrost), ale nebyli jsme schopni vytvořit fúzi (spojení
obrazu z obou očí), tak nelze říci: splněno na 50%. Druhá porucha již nemusí být vůbec
odstranitelná, nebo její léčba může trvat mnohonásobně delší čas.
120
Z uvedených skutečností vyplývá poněkud odlišný přístup k procesu plánování rehabilitace.
Tedy jejího průběhu. Návrh procesu rehabilitace neboli léčby a poté vlastního průběhu lze
shrnout pomocí následující posloupnosti akcí:
-
-
-
-
-
-
Přijmutí diagnózy neboli stavu pacienta.
Částečná dekompozice diagnózy pacienta na dílčí poruchy podle určitých obecností
(visus, omezení pohyblivosti oka). Poruchy se mohou ovlivňovat, mít tedy tutéž příčinu,
ale nyní jsou některé z nich uvažovány odděleně. Například nejdříve musí oko dobře
vidět a teprve poté lze léčit omezenou šířku fuze.
Stanovení posloupnosti léčby poruch. Některé je přímo nutno léčit neboli odstranit
dříve, například tupozrakost a až poté správnou fuzi z obou očí. Opačný postup v
podstatě nevede k žádoucímu cíli. Začít „léčit dříve“, zde však vždy neznamená „vyléčit
dříve“.
Výběr vhodných postupů a úloh pro léčbu jednotlivých poruch. Tento proces není
snadný, neboť vyžaduje množství dodatečných informací, které diagnóza nemusí
obsahovat:
o Schopnosti pacienta závislé na jeho věk. Pokud pacient neumí číst a počítat
nelze vyžit úlohy na rozpoznávání písmen a čísel. Naopak dospělí pacient
nebude nadšen z obkreslování primitivních obrázků, jako jsou kolečka nebo
čtverce.
o Ochota ke spolupráci ze strany pacienta není vždy závislá na věku. Při velké
ochotě spolupráce lze využít složitější a časově náročnější, avšak současně
účinnější úlohy. Naopak při nízké ochotě spolupracovat je vhodné využít
jednodušší a časově kratší úlohy, avšak současně méně účinné.
o Zaměření úlohy. Zda použít úlohu s cíleným zaměřením na určitou poruchu,
nebo naopak úlohu obecnější. Nejsme si jisti zdrojem způsobujícím danou
poruchu, nebo může být přítomno více poruch současně.
o … atd.
Zvolit časové rozložení úloh. Tento proces je založen na odhadech podle určitých
doporučení nebo zkušeností. Příkladem může být střídavá okluze neboli zalepení
jednoho z očí a tím zvýhodnění druhého. Tyto časové intervaly nejsou v podstatě
pevně stanoveny ve smyslu, každý den, ráno a večer, ale zcela vycházejí z aktuálního
stavu pacienta v průběhu léčby.
Nastavit určité parametry neboli výchozí stavy jednotlivých úloh. V úlohách sloužících
k léčbě je nutno stanovit od jakého stavu úlohy je její přínos skutečně pro pacienta
léčebný. Pacientu pro cvičení ostrosti na malá písmena nepomůže úloha pro čtení
nastavená na velmi velká písmena. Nastavení parametrů úlohy je často proces složitý a
v podstatě vyplyne až ze zahájení rehabilitace.
Posuzování výsledků úlohy a tedy dílčích částí léčebného procesu. Výsledky, přesněji
řečeno výstupy testů, nelze nikdy posuzovat jako okamžité hodnoty. V mnoha
případech dochází k velkému kolísání a je nutno vždy brát v úvahu pouze
dlouhodobější stav, tedy vývoj. Pokud pacient přijde na cvičení unaven, tak většina
výsledků je zcela jiná než za předchozí časové období. Stručně řečeno jsou
nepoužitelné. Toto je však nestandardní situace, i když může být častá a je nutno ji
121
-
-
-
přehlédnout a nezaměřovat se na ni. Ovšem jak ji rozpoznat. Automaticky je toto velmi
obtížné nebo dokonce nemožné.
Slučování výsledků z mnoha použitých úloh. V procesu rehabilitace je využíváno
mnoho úloh současně (obkreslování obrázků, cvičení fixace, …). V podstatě nelze
stanovit jednu výslednou hodnotu udávající průběh rehabilitace. Při hodnocení
rehabilitace je nutno posuzovat vždy stav všech dílčích poruch odděleně. Některé
prohlásit za odstraněné a jiné například za zlepšené, nebo stejné / shodné.
Přehodnocení léčebného procesu. V některých případech může dojít i k ukončení
léčby, protože již není očekáváno další zlepšení, je nutno přejít například na řešení
pomocí operace. V tomto kroku se musí kontrolovat výstupy všech použitých úloh a
vhodně rozhodnout o dalším postupu. Některé úlohy vyřadit, již splnily svůj účel a
poruchu eliminovaly, nebo se naopak ukázaly jako zcela neúčelné. Nebo přidat nové
úlohy, které vzhledem k závažnosti (předchozí) poruchy nebylo možno dříve aplikovat.
Případně přejit na zcela jiné úlohy při přechodu na léčbu další poruchy v pořadí.
Stanovit nové časové rozložení úloh (například oční okluze). Většinou se vychází
rovněž z určitého doporučení, které se upravuje podle potřeby.
Tento postup se v podstatě opakuje po celou dobu rehabilitace a trvá v nejlepším případě od
několika měsíců, a v nejhorším případě do několika let. Jsou v něm však zahrnuty dvě
zpětnovazební smyčky:
-
-
Lékař ortoptista cvičí s pacientem naplánované úlohy a vždy po určitém relativně
kratším čase přehodnotí jak postupovat při léčbě dále. Jak postupovat dále znamená
jaké úlohy a jak časově je využívat.
Po určitém relativně delším čase, ale rovněž současně při znatelné změně stavu
pacienta (výrazně lepší / horši) se stanoví nová diagnóza. Od tohoto okamžiku se
proces rehabilitace opakuje často se zcela novými počátečními parametry.
Proces diagnózy
Proces rehabilitace
diagnóza
stav pacienta
úlohy
výsledky
diagnost. testy
Obrázek 12.1: Dvě zpětnovazební smyčky obsažené v současném procesu rehabilitace. Lékař stanovující diagnózu
(vlevo) a lékař vykonávající rehabilitaci (vpravo).
Stanovení diagnózy a poté cvičení vykonává téměř vždy jiný lékař. Diagnózu stanoví doktor, ale
cvičení vykonává ortoptista (odlišné vzdělaní). V dalším textu však bude pro jednoduchost
používáno pouze slovo „lékař“ zahrnující obě profese, nikoli však v jedné osobě. Pokud bude
nutno tyto profese a tedy i osoby odlišit, tak bude použito označení „lékař stanovující
diagnózu“ a „lékař, případně ortooptiska vykonávající rehabilitaci“.
V současné době je pro rehabilitaci dostupný pouze omezený soubor úloh a není tedy velká
variabilita jejich výběru (prizmata, optotipy, cheiroskop atd.). Rovněž hodnocení léčebného
122
postupu je ve většině případů velmi subjektivní. Například pacient na přístroji s odděleným
pohledem obou očí nakreslí obrázek podle předlohy, poté se do přístroje podívá lékař, tedy
ortooptista a zapíše, jak on jej vidí posunut vůči pacientu. Toto však neudává exaktní výstup,
ale rozdíl jak obrázek vidí pacient a jak lékař. Pokud lékař rovněž „šilhá“, tak je výstup zcela
zkreslen. V podstatě jsou používány pouze mechanické pomůcky a přístroje, jejichž výstup se
nehodnotí kontinuálně, ale pouze po ukončení testu a to ještě velmi často subjektivně
lékařem.
12.2 Tvorba plánu rehabilitace a objektivizace jejího hodnocení
Úkolem této práce je vytvořit podporu lékaře při návrhu rehabilitačního procesu a rovněž
poskytnout objektivní hodnocení průběhu vlastní rehabilitace. Aby mohlo být toto
uskutečněno, byly stanoveny následující dílčí cíle:
-
-
-
-
-
-
Sestavit určitá základní pravidla pro návrh procesu rehabilitace v závislosti na
možnostech jaké poruchy je vhodné nebo dokonce nutné léčit přednostně, jaké
poruchy se znatelně ovlivňují, jaká jsou omezení pro malé děti a některé další
podmínky.
Přístroje používané v ordinaci lékaře jsou většinou mechanického typu a neumožňují
automatické nastavení a odečet výsledných parametrů. Nutností je tedy jejich
převedení do SW formy, což umožní nejen automatické nastavení jejich parametrů,
ale současně i odečet jejich výstupních hodnot.
Vytvořit další úlohy, jež nejsou v mechanické verzi dostupné, ale podle současných
poznatků mohou velmi přispět ke zkvalitnění a zkrácení průběhu léčby.
Vytvořit určitý stupeň automatického hodnocení výsledků úlohy a tím její hodnocení
objektivizovat.
Vytvořit určitý stupeň adaptivnosti úlohy, tak aby se úloha průběžně přizpůsobovala
měnícímu se stavu a schopnostem pacienta a vytvářela proces rehabilitace stále účelný
a cílený.
Každý přístroj a úlohu vhodně klasifikovat podle následujících kritérií:
o Relevantnost k dané poruše (postačuje obecnější vyjádření)
o Omezení nebo předpoklady pro použití (věk pacienta, úroveň spolupráce)
o Preference a zkušenosti lékaře pro tuto úlohu
Sestavit tabulku obsahující klasifikaci využívaných úloh podle předchozího bodu.
Navrhnout a vytvořit modul pro podporu lékaře při rozhodování o průběhu
rehabilitace. Vstupem bude stanovená diagnóza a případně další doplňující informace
(věk pacienta atd.). Interně dojde k využití vhodných pravidel a tabulky informací o
dostupných úlohách, tedy jejich parametrech. Výstupem bude návrh rehabilitačního
procesu ve formě:
o Preferovaná a doporučená posloupnost léčby poruch (pořadí, souběh).
o Doporučené úlohy pro léčbu (seřazeny podle vhodnosti).
o Další upřesňující parametry (časové intervaly).
V případě potřeby možnost přeplánovat rehabilitační proces.
123
Vytvořením adaptivních úloh přizpůsobujících se stavu pacienta v procesu rehabilitace vznikla
další, již třetí zpětnovazební smyčka. Jedná se tedy o smyčku uzavřenou ve vlastní rehabilitační
úloze, jež je schopna okamžitě přizpůsobovat svůj stav, tak aby měla stále léčebný smysl i bez
neustálého nastavování lékařem. Samozřejmě pouze v určitém rozmezí.
Proces diagnózy
diagnóza
diagnost. testy
Proces rehabilitace
Domácí rehabilit.
stav pacienta
zadání
rehabilit.úlohy
domácí úlohy
hodnocení
výsledky
Obrázek 12.2: Tři zpětnovazební smyčky v rehabilitačním procesu v novém návrhu řešení. Lékař stanovující
diagnózu (vlevo) a lékař vykonávající rehabilitaci v ordinaci (uprostřed) a adaptivní úloha pro samostatnou
domácí rehabilitaci (vpravo).
Předchozí body určovaly postup při tvorbě rehabilitačního plánu. Nyní je nutno určit postup
pro stanovení objektivního hodnocení průběhu léčby. Průběh jednotlivých částí neboli etap
rehabilitace nelze snadno hodnotit. Z hlediska hodnocení lze stanovit následující možnosti:
-
-
-
Hodnocení úlohy. Každá úloha obsahuje určitou historii svých výsledků. Tyto jednotlivé
dílčí výsledky budou využity pro hodnocení průběhu vývoje pacienta na dané úloze.
Takovéto informace jsou samozřejmě rovněž přímo vyžadovány pro automatickou
adaptaci dané úlohy na měnící se stav pacienta. Každá úloha by tedy měla obsahovat
detekci cílového neboli správného stavu.
Hodnocení vývoje poruchy. Nutnost hodnotit změnu stavu tedy směr vývoje
jednotlivých poruch. Hodnocení bude vykonáváno podle záznamů výsledků i několika
testů nebo úloh. Půjde o zobrazení výsledků pro hodnocení lékařem.
Celkového hodnocení lze dosáhnout pouze jako „logický“ součet dílčích úspěchů nebo
neúspěchů a to současně pomocí značně obecného konstatování.
Vlastní podpora lékaře při hodnocení průběhu rehabilitace spočívá ve zpracování dat z
jednotlivých úloh vhodným způsobem a poté jejich názorným zobrazení. Z hlediska lékaře je
vhodnější grafické znázornění, ale z hlediska adaptace úlohy je samozřejmě vhodnější číselné
vyjádření. Před podrobným popisem návrhu plánovacích a hodnotících algoritmů je vhodné
upřesnit množství a význam zpracovávaných dat za určité časové období.
Jednotlivé úlohy budou vybaveny algoritmy a postupy pro samo-hodnocení řešení. Tyto úlohy
produkují poměrně velké množství dat. Jde o výsledek každého řešení úlohy a to i několikrát za
minutu nebo hodinu. Toto velké množství přesných informací je nezbytné pro nastavování
aktuálních parametrů úlohy, ale za hranicemi této úlohy již poněkud pozbývá významu. Úloha
tedy na první úrovni zpracovává velké množství přesných dat, ale pouze nárazově a to
převážně pouze v okamžiku dokončení úlohy pacientem. Zde budou tedy využity zejména
algoritmy pro rozpoznávání vstupu pacienta jako například přesnost kresby. Naopak, pro
hodnocení úspěšnosti vývoje úlohy lékařem je vhodné již zpracovat pouze výsledná obecnější
124
hodnocení poskytnutá konkrétní úlohou (pouze skóre, čas, …). Na této druhé úrovni již bude
zpracováváno relativně menší množství obecných dat, zato však za delší časové období. Zde
budou zejména používány algoritmy pro filtrování a aproximaci posloupností časově určených
dat. Na třetí úrovni půjde o zcela obecné a globální hodnocení. Zde bude zpracováváno
nejmenší množství dat a budou zejména využity algoritmy pro detekci směru vývoje hodnot.
II.
Rehabilitace
v ordinaci
(jednou týdně)
Úlohy domácí rehabilitace
(několikrát za hodinu /den)
množství zpracovávaných dat
I.
III.
Diagnostické úlohy
(za měsíc / rok)
úroveň hodnocení
Obrázek 12.3: Závislost množství zpracovávaných dat na jejich úrovni a čase zpracování při časově dlouhodobém
hodnocení vývoje rehabilitačního procesu.
12.3 Strategie pro podporu plánování
Důležitým vstupem pro návrh rehabilitačního procesu je komplexní vyšetření pacienta, tak
zvaný rozbor. Ten se skládá z výstupů neboli hodnocení mnoha testů, jež pacient podstoupil.
Ve většině případů toto představuje soubor hodnot zapsaných písemně v patřičném formuláři.
Tento stav není vhodný pro další elektronické zpracování, a proto byl sestaven jednoduchý
elektronický formulář pro souhrnný zápis výsledků těchto testů.
Diagnóza
H492 - Obrna n.VI
H498 - Jiný paralytický strabismus
H522 - Astigmatismus
H524 - Presbyopie
Obrázek 12.4: Příklad výstup rozboru obsaženého v elektronickém formuláři při stanovení odpovídající diagnózy.
Pro další použití stačí pouze uvést skutečnost, že naprostá většina položek na formuláři může
obsahovat pouze určité rozmezí čísel, nebo výčet hodnot, což je velmi příznivé pro počítačové
zpracování. Dalším vstupem v pořadí je stanovená diagnóza udávající jaké poruchy byly vlastně
na pacientu detekovány. O tomto informuje Obrázek 12.4. V poslední řadě jsou sice na první
pohled nevýznamné informace, ale pro tvorbu plánu léčby jsou často velmi podstatné a to
například: věk pacienta, úroveň spolupracovat a další.
125
Jak již bylo zmíněno, tak nelze použít běžné plánování pomocí dekompozice (rozdělení na podúlohy), protože většinou skutečně vše souvisí se vším. Vlastní plánování se tedy transformuje
na nalezení určitého kompromisu neboli optimálního řešení pro daný vstup avšak bez „záruky“
úspěšného výsledku. Při tomto plánování je tedy nutno vzít v úvahu spoustu informací
z rozvoru a diagnózy a současně spoustu doporučení a zkušeností lékařů týkajících se léčby
jednotlivých poruch. Z hlediska návrhu rehabilitace se lze na rozbor a diagnózu dívat
následovně:
-
Rozbor určuje počáteční parametry pro rehabilitaci, tedy stav poruch pacienta.
Diagnóza určuje, jakými poruchami pacient skutečně trpí, a jaké jsou jejich příčiny.
Plánovací systém je navrhován s ohledem na možnost jeho pozdějšího doplnění a rozšíření i
samotným lékařem. V případě použití pravidel by byla vytvořena vcelku komplexní pravidla
obsahující množství podmínek a závislostí. Při použití pravidel, by přidání léčby nové poruchy
mohlo vyžadovat zásah do většiny již existujících pravidel a to je nežádoucí stav. Po analýze
tohoto problému byl zvolen popis závislostí (podmínky, omezení a další) mezi poruchami
formou tabulky. Tabulka 12.1 uvádí její stručný příklad, kde jednotlivé řádky obsahují
identifikaci poruchy. První skupina sloupců v tabulce obsahuje rovněž identifikace všech
poruch pro možnost zápisu jejich vzájemných závislostí (porucha - porucha) a druhá skupina
sloupců obsahuje doplňkové informace k dané poruše, jako jsou preference pořadí léčby,
závažnost atd. Část navrhované tabulky může mýt přibližně tento obsah.
Tabulka 12.1: Vzájemné závislosti a preference posloupností léčby jednotlivých poruch při jejich léčbě u pacienta.
šedý zákal
šedý zákal
exc. fixace
tupozrakost
…
diplopie
podmínka
podmínka
…
podmínka
exc. fixace
tupozrakost
…
závažnost
preference
priorita
podmínka
podmínka
podmínka
…
…
…
…
…
vysoká
nízká
střední
…
vysoká
vysoká
nízká
střední
…
vysoká
1
2
3
…
10
podmínka
…
podmínka
…
podmínka
První skupina sloupců tedy obsahuje převážně učebnicové znalosti získané při studiu vývoje a
léčby poruch. Ty se však čas od času mohou měnit nebo upravovat podle nově získaných
poznatků. Druhá skupina sloupců však obsahuje informace, které jsou dány více zkušenostmi
lékaře a lze je častěji upravovat podle potřeby nebo dokonce vlastního uvážení.
V každém políčku matice (porucha - porucha) jsou informace o možné závislosti pří léčbě dvou
určitých poruch. Podmínka může nabývat následujících možností:
-
Nezáleží (-) – léčba poruchy A nikterak nezáleží na přítomnosti poruchy B
Souběh (S) – poruchu A lze léčit zcela souběžně s přítomností poruchy B
Podmínka (P) – je stanovena přesnější podmínka pro souběžnou léčbu poruch A a B
Nelze léčit (X) – pro poruchu A neexistuje léčba při existenci poruchy B
Některé poruchy lze léčit pouze za určitých podmínek. Například poruchu fúze, lze léčit, pouze
pokud není přítomna velká tupozrakost oka. Jak však stanovit přesně takovouto obecnou
podmínku. Pojem „velká“ je velmi relativní a pro každého lékaře může představovat poněkud
jinou hodnotu. Podmínku je ovšem nutno zapsat jako určitý výraz obsahující konkrétní
126
hodnotu a to jakkoli vyjádřenou. Podmíněna může být v podstatě jakákoli závislost poruchy A
na poruše B. Pro obecnost byl celkový interval vyjadřující libovolnou poruchu rozdělen na pět
dílčích částí neboli rozsahů s následujícím významem:
PE – porucha nesmí být obsažena, nebo musí být úspěšně vyléčena
PN – porucha může nabývat maximálně nízké hodnoty
PS – porucha může nabývat maximálně střední hodnoty
PV – porucha může nabývat maximálně vysoké hodnoty
PX – porucha může nabývat i velmi vysoké neboli jakékoli hodnoty
hodnocení
Obrázek 12.5 vysvětluje rozdělení celkového rozsahu poruchy na zmíněné intervaly PX, PN PS,
PV a PE. Intervaly se částečně překrývají, čímž je dosaženo kompromisu mezi poněkud
odlišnými výklady ze stran lékařů. Na takovéto intervaly je nutno rozdělit rozsahy všech veličin
vyskytující se v první skupině sloupců v Tabulka 12.1.
PV
PS
PN
PE
vysoká úroveň
střední úroveň
nepřijatelná
PX
nízká úroveň
neobsažena
úroveň poruchy
Obrázek 12.5: Rozdělení závažnosti poruchy na dílčí intervaly pro využití při stanovení podmíněné závislosti při
léčbě některých poruch.
Druhá skupina sloupců v Tabulka 12.1 obsahuje převážně expertní znalosti lékařů vypovídající
například o závažnosti jednotlivých poruch, preferenci jejich léčby z hlediska lékaře, nebo
přímo priority jejich léčby.
Tabulka 12.2 obsahuje příklad části tabulky pro několik běžně se vyskytujících poruch. Rozsahy
poruch již byly převedeny na potřebné intervaly a byly doplněny znalostmi a zkušenostmi
lékaře.
Zpracováním údajů v této tabulce na základě vstupních požadavků a informací z rozporu
vznikne základní doporučení pro rehabilitační postup.
127
Tabulka 12.2: Příklad skutečné závislosti některých poruch při jejich léčbě a případně dalších doprovodných informací.
porucha
šedý zákal
šedý zákal
exc. fixace
tupozrakost
…
fúze
šířka fúze
stereopse
superpozice
…
motilita
…
PN
PN
…
PN
PN
PN
PN
…
PS
…
exc. fixace
tupozrakost
…
fúze
Šířka fúze
stereopse
superpozice
…
motilita
…
závažnost
preference
priorita
-
-
…
…
…
…
…
…
…
…
…
…
…
…
…
-
…
-
-
…
…
…
…
S
S
S
…
…
…
…
…
…
…
…
…
…
…
vysoká
nízká
střední
…
vysoká
střední
nízká
nízká
…
nízká
…
vysoká
nízká
střední
…
vysoká
střední
nízká
nízká
…
nízká
…
1
2
3
…
10
11
12
13
…
20
…
S
…
PS
PS
PN
PN
…
S
…
…
PS
PS
PN
PN
…
S
…
PN
X
X
…
S
…
PN
X
…
S
…
…
S
…
…
…
S
…
…
…
…
…
…
…
S
S
S
S
…
…
Význam některých položek v tabulce:
Šedý zákal – rehabilitace po operaci šedého zákalu (šedý zákal nemusí být odstraněn zcela a čočka se může občas zakalovat)
Excentrická fixace – oko nefixuje nejostřejším místem sítnice, ale jinou částí (způsobující méně ostré vidění)
Tupozrakost – nesprávná nebo nízká ostrost vidění (vzniklá například nepoužíváním daného oka)
Fuze – neschopnost spojit dva vjemy z obou očí v jeden obraz neboli scénu
Šířka fuze – omezení šířky neboli úhlu, v němž je pacient schopen spojit obraz z levého a pravého oka v jeden
Stereopse – porucha schopnosti spojit dva obrazy (z levého a pravého oka) lišící se určitým detailem
Superpozice – porucha schopnosti spojit dva rozdílné obrazy viděné pravým a levým okem
Motilita – omezená schopnost pohybu jednoho nebo obou očí v určitém směru (často porucha některého okohybného svalu)
Závažnost – klasifikace závažnosti poruchy vzhledem k životním schopnostem pacienta (pouze ve formě: není, nízká, střední, vysoká)
Preference – stanovená preference léčby dané poruchy (pouze ve formě: není, nízká, střední, vysoká)
Priorita – stanovená doporučená priorita léčby dané poruchy
V tabulce: - = nezáleží, S = souběh, PE = porucha musí být vyléčena, PN = porucha přípustná nízká, PS = porucha možno střední, PV = porucha možno velká, X =
nelze léčit
128
Hlavní činnost při návrhu procesu rehabilitace spočívá ve výběru vhodných rehabilitačních
úloh. Cílem úlohy je poruchu léčit, tedy eliminovat. Některé úlohy jsou zaměřeny pouze, nikoli
však primárně na jednu konkrétní poruchu a jiné na více poruch současně. Nutno tedy zvolit ty
úlohy, ve většině případů však soubor úloh, nikoli jednu, které nejen optimálně pokrývají
vyskytující se soubor poruch, ale rovněž reflektují jejich sled jako preference, nebo dokonce
priority léčby. Každou dostupnou úlohu je nutno klasifikovat vzhledem k příslušné poruše
například ve formě: „vhodná“, „za podmínky“ nebo „neovlivňuje“. Současně všechny úlohy
nemusí být vhodné pro všechny pacienty (děti / dospělí). Pro klasifikaci úloh byla sestavena
rovněž vhodná tabulka. Jednotlivé řádky obsahují dostupné úlohy podle identifikace neboli
názvu. První skupina sloupců tabulky obsahuje hodnocení dané úlohy vzhledem k jednotlivým
poruchám. Druhá skupina sloupců obsahuje hodnocení úlohy podle dalších parametrů, jako
jsou: vhodnost podle věku nebo podle spolupráce pacienta. Tabulka 12.3 uvádí pouze část
zaznamenaných údajů.
Tabulka 12.3: Příklad tabulky popisující ovlivňování některých poruch danou úlohou a případně další závislosti.
úloha\porucha
trenažér
obkreslování
…
cvičení fuze
mozaika
tupozrakost
neovlivňuje
vysoká
…
neovlivňuje
vysoká
barvocit
neovlivňuje
střední
…
neovlivňuje
střední
fúze
nízká
vysoká
…
vysoká
neovlivňuje
věk
>5
--…
-----
Spolupráce
nutná vysoká
nutná nízká
…
nutná vysoká
nutná nízká
V každém políčku první skupiny sloupců je obsažena informace o vhodnosti dané úlohy na
příslušnou poruchu ve tvaru:
-
-
Vhodnost. Jak je úloha vhodná pro léčbu určité poruchy:
o Nízká – Úloha danou poruchu ovlivňuje málo.
o Střední – Úloha danou poruchu ovlivňuje středně.
o Vysoká – Úloha danou poruchu ovlivňuje znatelně.
o Neudáno – Určuje, současnou neznalost vlivu této úlohy na určitou poruchu.
Podmínka. Úlohu lze na danou poruchu použít, ale pouze za podmínky.
Neovlivňuje. - Úloha danou poruchu nikterak neovlivňuje.
12.4 Příklady rehabilitačních úloh
Jako názorné příklady rehabilitačních úloh jsou uvedeny dvé dostatečně rozdílné úlohy, jejich
provedení a stanovení jejich klasifikace.
První úlohou je prosté obkreslování obrázků. Skutečně velmi často využívaná úloha pro
mnoho typů poruch za pomoci papíru a tužky. Dříve byly obrázky pro obkreslování pacientem
klasifikovány jako: lehké, střední a složité a to často podle subjektivního rozhodnutí lékaře.
Zcela jinak se tedy mohly jevit z pohledu jiného lékaře. Při vytvoření úlohy s objektivním
hodnocením a určitým adaptivním chováním bylo nutno přistoupit k poněkud přesnější
klasifikaci jednotlivých obrázků a to následujícím způsobem:
129
-
-
-
Primitiva. Stanoveny typy čár, ze kterých jsou obrázky složeny a těm přiřazena
identifikace jako například: 1p – vodorovná čára, 2p – svislá čára, 3p – šikmá čára, 4p –
oblouk, 5p – pila, 6p – vlnovka, 7p - složitá křivka atd.
Obrazce. Stanoveny určité základní obrazce vyskytující se v obrázku a těm přiřazena
identifikace jako například: 1o – bod, 2o – čára, 3o – čtverec, 4o – obdélník, 5o – kruh,
atd.
Poměr čáry podkladové kresby k peru pacienta. Obrázek je vykreslen čarou určité
šířky a ta je hodnocena v současné době nejen v počtu obrazových bodů, ale zejména
vzhledem k šířce pera pacienta.
3o
4p
3p
5p
2p
3p
5o
3o
1p
3p
2p
1p
2p
4p
1p
4p
Typy primitiv 1 - 4
2p
6p
3o
6p
1p
Typy primitiv a obrazců 1-5 / 2-5
Primitiva / obrazce / šířka
Obrázek 12.6: Příklady klasifikace testovacích obrázků (p – primitiva, o – obrazce). Barevné rozlišení uvedeno
pouze pro názornost, ve skutečnosti je kresba pouze černou barvou.
Každý obrázek je tedy identifikován neboli hodnocen následovně:
-
Průměrnou hodnotu nebo intervalem vyskytujících se primitiv.
Průměrnou hodnotu nebo intervalem vyskytujících se obrazců.
Šířka čáry jakou je obrázek vykreslen k poměru šířky pera pacienta.
Podrobné hodnocení úspěšnosti představuje celkem komplexnější výstup:
-
-
Celková úspěšnost přesnosti obkreslení obrázku je v procentech. 100% není
matematicky ideální stav, ale stav shodný s běžným uživatelem. Naopak 0%
představuje určitý přednastavený „nejhorší“ limit. Vše horší je již pouze 0%.
Hodnocení jednotlivých typů křivek v obrázku. S jakou přesností jsou jednotlivé typy
primitiv obkresleny.
Hodnocení jednotlivých obrazců v obrázku. S jakou přesností jsou jednotlivé typy
obrazců obkresleny.
Šířka čáry obrázku k šířce pera pacienta. Nejtěžší stupeň je při jejich shodě a současně
malé šířce.
Podle aktuálního hodnocení shody předlohy a kresby pacienta úloha automaticky poskytuje
pacientu obrázky úměrné k jeho stavu. Příliš lehké nebo naopak příliš těžké obrázky by
pacienta pouze odradily. Řídí se tedy nejen celkovou přesností kresby ale současně
hodnocením příslušných primitiv a obrazců. Úloha jih ovšem obsahuje pouze určitý počet.
Adaptivnost je vytvořena podle stanovených intervalů z hodnocení úlohy. Jsou přednastaveny
vhodné meze, při nichž se mění buď pouze šířka čáry podkladové kresby, případně pera
pacienta, nebo přímo složitost obrázku.
130
15%
30%
70%
přechod na
vyšší úroveň
přechod na
vyšší obtížnost
přechod na
nižší obtížnost
přechod na
nižší úroveň
akce úlohy
0%
optimální nastavení úlohy
pro cílenou rehabilitaci
85%
100%
hodnocení úlohy
Obrázek 12.7: Převod rozsahu hodnocení úlohy na intervaly mající význam pro změnu jejího nastavení za účelem
vytvoření účelné adaptace úlohy.
Obrázek 12.7 obsahuje následující princip adaptace úlohy podle aktuálního hodnocení:
-
Klesne-li hodnocení pod 15%, dojde k nastavení jednoduššího obrázku a to podle
detekovaných nepřesností (primitiva, obrazce).
Klesne-li hodnocení pod 30%, dojde ke zvýšení šířky čáry podkladové kresby.
Stoupne-li hodnocení nad 70%, dojde ke snížení šířky čáry podkladové kresby.
Stoupne-li hodnocení nad 85%, dojde k nastavení složitějšího obrázku a to podle
detekovaných úspěchů (primitiva, obrazce).
Obdobný princip hodnocení a automatické adaptace je využit i v dalších úlohách (bludiště,
překrývání bodů, cvičení excentrické fixace atd.). Takto nastavené mezní hodnoty intervalů
budou po dostatečně dlouhém testovacím období případně upraveny podle získaných výsledků
a poznatků.
Druhým příkladem adaptivní úlohy je trenažér okohybných svalů. Ten obsahuje několik
základních trajektorií, z nichž nejčastější je elipsa podle Obrázek 12.8.
správný pohyb
správná trasa
Obrázek 12.8: Princip vhodného tréninku zapojujícího všechny okohybné svaly současně.
Na obrazovce se pohybuje stimulační bod po trajektorii ve tvaru elipsy a pacient jej sleduje
pouze pohybem očí, nikoli hlavou. Elipsa v podstatě představuje rozsah správného
pohledového pole pacienta. Pokud pacient není schopen vychýlit oko v daném směru, tedy do
131
požadovaného úhlu, tak tuto skutečnost pacient signalizuje buď stiskem tlačítka (jednodušší
varianta), nebo je automaticky detekována kamerou z omezeného pohybu zornice oka
pacienta (složitější varianta).
Nastane-li tedy situace, že je signalizováno omezení pohybu oka pacientem, tak trenažér musí
trajektorii stimulačního bodu upravit, tak aby byl pohybující se bod pro pacienta stále viditelný.
Pokud by jej pacient vůbec neviděl, tak sledovací trénink pozbývá významu. Obrázek 12.9
naznačuje princip činnosti tohoto okohybného trenažéru.
signál pacienta
snížená trasa
váha pro dorovnání
signalizace pacienta
posun bodu zpět
Ideální trasa
správný pohyb
adaptace dráhy podle pacienta
nastavení pro trénink
Obrázek 12.9: Princip adaptivního trenažéru okohybných svalů pro omezení pohybu oka vlevo. Pacient signalizuje
nemožnost dosažené levé krajní pozice a trenažér v tomto směru sníží výchylku stimulačního bodu. Aby ji později
opět zvyšoval pro dosažení původní trasy.
Ze středu obrazovky vycházejí pomyslné paprsky s odstupem 10st a protínají elipsu, po které se
v ideálním případě pohybuje stimulační podnět. Signalizuje-li se omezení pohybu oka ze strany
pacienta, tak trenažér postupuje následovně:
-
-
-
-
V místě signalizace omezení pohybu oka pacientem trenažér posune příslušný bod po
pomyslném paprsku o určitý úsek zpět ke středu obrazovky neboli elipsy.
Body na okolních pomyslných paprscích posune rovněž ke středu elipsy, ale pouze tak
aby tvořily relativně vhodně spojitou křivku. Posun jednotlivých bodů se však od
signalizované pozice postupně zmenšuje, až je dosaženo bodu, který již není posunut.
Část elipsy je tedy poněkud deformována. Pohyb podnětu musí být vždy spojitý a
plynulý. Upravený úsek musí navazovat na původní správnou část elipsy. Samozřejmě
pokud je při stavu pacienta aspoň část elipsy zachována.
Trenažér samozřejmě automaticky kontroluje body, které nedosahují trajektorie
ideální elipsy, například byly posunuty zpět z důvodu signalizace pacientem. Tyto body
se snaží postupně „dotahovat“ do cílového stavu, tedy na obvod ideální elipsy. Největší
prioritu mají samozřejmě body nejvíce vzdálené od ideální elipsy. Pozice bodů se však
upravuje vždy až po určitém počtu oběhů stimulačního bodu a to vždy pouze o určitou
malou vzdálenost. Při posunu jednoho bodu však musí být samozřejmě vhodně
posunuty neboli upraveny i pozice sousedních bodů pro zachování hladkosti a
spojitosti křivky.
Automatický posun trvá až do okamžiku opětovné signalizace neviditelnosti
stimulačního bodu ze strany pacienta. V tomto okamžiku je bod opět posunut zpět ke
132
středu elipsy a proces se opakuje. Rychlost posuvu bodů do správných pozic se však
zpomaluje v závislosti na intervalu signalizace od pacienta.
Takto je vytvořen velmi adaptivní a účelný trénink okohybných svalů, který neustále sleduje
stav pacienta a přizpůsobuje se mu. Při tréninku se hodnotí tyto parametry:
-
Plocha elipsy. Odpovídá ploše neboli rozsahu pohyblivosti oka.
Hladkost obalové křivky elipsy. Odpovídá lokálním omezením neboli výpadkům vůči
celku.
Deformovanost elipsy. Odpovídá deformaci pohybového pole okohybných svalů –
souměrné, omezení vlevo / vpravo, atd.
Při vlastním průběhu rehabilitace je tedy současně monitorován i stav pacienta. Kdykoli lze
tedy získat aktuální hodnocení.
12.5 Strategie modulu pro objektivní hodnocení
Celkové hodnocení průběhu rehabilitace není nikterak jednoduchá záležitost. Na jedné straně
lze v podstatě velmi snadno a dobře hodnotit výsledek libovolné úlohy matematickým
postupem. Na druhé straně lze v podstatě velmi obtížně hodnotit celkový vývoj léčby. Z tohoto
hlediska se zaměříme na hodnocení tří relativně odlišných částí neboli oblastí a to: hodnocení
konkrétní úlohy (konkrétního řešení), hodnocení vývoje poruchy vzhledem k výsledkům úloh a
globální hodnocení vývoje.
1) Hodnocení konkrétní úlohy. Toto hodnocení je zcela exaktní a založeno na matematickém
postupu, ovšem v rozsahu 0 až Max. Max představuje neudané číslo. Poskytnuté hodnocení by
bylo vhodné převést na rozsah například 0% (nejhorší řešení) až 100% (nejlepší řešení). Jak
však určit tyto dvě meze.
Matematicky lze samozřejmě určit nejlepší neboli ideální řešení. Například přesnost obkreslení
obrázků nebo umístění bodů. Tohoto stavu však pacient v podstatě nikdy nedosáhne,
neexistovalo by tedy řešení na 100%. Tento ideální stav lze však vztáhnout na výstup zdravého
jedince. Pokud bude získáno určité množství řešení úloh od zdravých jedinců, lze tato řešení
prohlásit za řešení s úspěšností 100%. Tato skutečnost bude do každé úlohy postupně uložena
a bude sloužit jako etalon pro „zcela dostatečné“ a tedy zcela úspěšné řešení. Dosažení lepšího
výsledku, i když může být samozřejmě reálně možný, nemá význam hodnotit lépe.
Druhou mez hodnocení, tedy 0% již nelze určit například podle „nejhoršího“ pacienta. Ten
jednak nemusí být k dispozici a rovněž je otázka „kdo je nejhorší pacient“. Je skutečně účelné
při posuzování slabozrakosti uvažovat i zcela slepého člověka. Z tohoto důvodu hodnocení jako
0% stanovíme pro každou úlohu samostatně a to jednak podle doporučení lékaře, toto řešení
je již skutečně nevyhovující a současně podle typu samotné úlohy, například odchylka pera
pacienta od čáry je tak velká, že by již zasahovala do druhé čáry.
Hodnocení vlastního „jednoho“ řešení je tedy stanoveno. Dále je nutno stanovit hodnocení
úlohy za určitý časový interval například týden nebo měsíc. Velký problém spočívá v možném
velmi značném výkyvu výsledků dané úlohy (nálada, únava, pacient si úlohu spustil jen tak) a
133
jejím velmi občasném použití. Hlavní problémy týkající se zejména domácí rehabilitace jsou
tedy následující:
-
Pacient řeší úlohy při různých pohnutkách.
Pacient může spustit úlohu několikrát stejný den a poté několik dní nikoli.
Pacient může odjet například na týden na dovolenou.
Pacient může úlohu používat (pravidelně) jednou za dva nebo tři dny.
A mnoho dalších.
V podstatě existuje velmi mnoho možností roztroušenosti dat. Ideální stav by mohl spočívat v
rozpoznání chování pacienta a toto využít pro zpracování dat. I zde mohou nastat
nepředvídatelné změny, jako jsou denní posun v zaměstnání, týden vytíženosti a další. Nelze
tedy v podstatě vytvořit ve všech směrech vhodný mechanismus pro posuzování výsledků
domácích úloh za určitý čas. Pokud pacient jednou za týden navštíví lékaře a tam vykoná test,
tak toto lze považovat jako velmi vhodný vstup pro grafické zobrazení a tedy aktuální
hodnocení vývoje dané úlohy. Půjde o správně časově odebraný vzorek, nikoli však nutně
správný vzorek hodnotou.
Pro hodnocení domácích úloh bude tedy využit prostý graf zobrazující výsledky hodnocení
úlohy v čase, kdy byla úloha použita. Pro zcela orientační posuzování bude graf vždy po určitém
časovém intervalu vhodně proložen.
2) Hodnocení vývoje konkrétní poruchy. Rovněž se jedná o velmi složitou úlohu, neboť
v podstatě neexistuje až na výjimky úloha, podle níž by bylo možno hodnotit pouze jednu
konkrétní poruchu. V tomto případě se využijí hodnoty z tabulky udávající, jak daná úloha
ovlivňuje určitou poruchu, tedy jak je pro ni vhodná. Při hodnocení dané poruchy bude využit
výstup všech používaných úloh, které poruchu ovlivňují. Celkové hodnocení bude složeno
v takovém poměru, v jakém danou poruchu jednotlivé úlohy ovlivňují (vážený průměr).
∑
[ ]
Cj – celkové hodnocení dané poruchy
Vi – hodnocení úlohy ovlivňující danou poruchu
Hi – váha se kterou úloha poruchu ovlivňuje
n – celkový počet úloh využívaných pro hodnocení dané poruchy
Budou tedy stanoveny váhy představující vhodnost úlohy pro léčbu dané poruchy ve smyslu
například: není = 0, nízká = 1, střední = 2 a vysoká = 3. Jemnější rozdělení není účelné.
Výsledkem bude hodnota v rozsahu 0 až 100% určující jak je daná porucha vyléčena neboli
eliminována. Hodnota se tedy při úspěšné léčbě ustálí na úrovni 100%. V mnoha případech a
zejména pro pacienta je vhodné hodnocení poněkud opačné a to křivka směřující k „nule“.
Tohoto lze velmi snadno dosáhnout prostým otočením rozsahu intervalu hodnocení.
Pro určité dlouhodobější posouzení a zejména pro jistý odhad do budoucna bude vhodné
stanovit, zda se léčba dané poruchy vyvíjí směrem k lepšímu stavu, horšímu stavu nebo
134
stagnuje. Toto bude posuzováno podle směru vývoje poruchy získané z výsledků jedné úlohy
nebo souboru úloh za určité časové období.
3) Globální hodnocení lze vytvořit pouze jako „logický“ součet hodnocení jednotlivých testů a
tedy poruch. V tomto směru se omezíme na tyto složky hodnocení:
-
-
Zda se podařilo „uspokojivě“ odstranit závažnou poruchu, znepříjemňující život
pacienta.
Na kolik je porucha odstraněna od jejího počátečního stavu a to vzhledem ke stavu
zdravého jedince. I když u pacienta například zcela zdraví stav nastat ani nemůže, což
může být dáno velikosti poruchy.
Zda celkový průběh léčby je stagnující, směřuje k lepšímu / horšímu, nebo aspoň
uspokojivý.
Toto hodnocení však bude ponecháno na lékaři. Jde samozřejmě o systém pro podporu lékaře
na základě zobrazených grafů předchozích úrovní. Rovněž je vhodné získat hodnocení pacienta.
Jde sice o zcela subjektivní hodnocení, ale v podstatě s největší vypovídací hodnotou o
průběhu léčby.
12.5.1 Návrh hodnocení některých úloh a vývoje rehabilitace
Zde je uvedeno hodnocení dvou vzorových úloh. Jedné diagnostické úlohy, která je velmi často
využívána při hodnocení procesu rehabilitace a uskutečněna vždy po určitém čase (několik
měsíců) v ordinaci lékaře. A druhé úlohy, jež je určena zcela pro domácí každodenní
rehabilitaci.
První úlohou je test na HS plátně. Jeho výstupem je již několikrát popisovaný HS obrazec. Dříve
byl tento obrazec využit pro návrh diagnózy a nyní bude využit pro hodnocení průběhu
rehabilitace. HS obrazec totiž obsahuje mnoho informací a ty jsou pro hodnocení úspěšnosti
léčby využity následovně:
-
-
-
Absolutní odchylka plochy HS obrazce vytvořeného pacientem od originálního obrazce.
U zdravého jedince je tato hodnota minimální a vlivem některé poruchy se zvětšuje.
Z tohoto parametru lze velmi snadno detekovat celkový vývoj rehabilitace.
Absolutní odchylka šířky a výšky HS obrazce v horizontálním a vertikálním směru.
Odchylka šířky nebo výšky HS obrazce indikuje poruchu v určité části okohybného
aparátu je vhodné je uvažovat nezávisle. U dravého jedince je tato hodnota minimální
a vlivem poruchy se zvětšuje.
Deformovanost HS obrazce pacienta. Udává v podstatě jak je obrazec deformovaný od
správného čtvercového tvaru. Jde o součet absolutních rozdílů úhlů neboli směrů
jednotlivých hran obrazce pacienta a originálního obrazce. Celková deformovanost DC
je tedy definována jako součet deformovanosti HS obrazce levého DL a pravého DR oka
zahrnující rozdíly úhlů hran HS obrazce pacienta UP a originálního obrazce UO přes
všechny hrany n.
135
∑
-
∑
Celková absolutní odchylka všech bodů HS obrazce pacienta od bodů originálního HS
obrazce. Jedná se v podstatě o nevíce vypovídající hodnotu, ale současně o často
nejméně využitelnou. Tato hodnota udává pouze celkovou odchylku a v průběhu léčby
může tedy i značně kolísat, například vlivem úspěšné léčby jedné podstatnější poruchy,
ale částečným zhoršením druhé méně podstatné. Naopak její samostatná hodnota
není nijak vypovídající o stavu poruch, například důležitější je srovnat HS obrazce
vertikálně i za cenu jeho horizontálního posuvu. Zde může být parametr celkové
odchylky HS obrazce stále stejný a přesto je odstraněna nejzávažnější porucha. Celková
odchylka DC je tedy definována jako součet odchylek bodů levého DL a pravého DR HS
obrazce zahrnující absolutní vzdálenosti všech bodů pacienta BP od bodů originálních
BO přes všechny body n.
∑
∑
Cílem je převést všechny parametry na rozsah 0 až MAX. Hodnota 0 by měla indikovat jejich
správnou hodnotu, protože je snadno detekovatelná a jakákoli jiná hodnota udává odchylku od
žádaného stavu. Skutečné nulové hodnoty však samozřejmě nelze z principu dosáhnout.
Úlohy pro domácí rehabilitaci nelze hodnotit stejným způsobem jako úlohy v ordinaci lékaře. Je
zde několik podstatných rozdílů:
-
Řešení úlohy není pod dohledem lékaře, a tudíž výsledky jsou často orientační.
Výsledky úlohy mohou mít velmi značné výkyvy podle stavu nebo nálady pacienta.
Jedná se o znatelně větší množství dat, neboť domácí rehabilitace se může uskutečnit i
několikrát za den ale současně i s velkou nepravidelností.
Hodnocení domácí rehabilitace bude vytvořeno po určitých časových intervalech, jak však tyto
úseky zvolit s ohledem na možnou řídkost dat v některých časových intervalech. Časové
intervaly pro hodnocení průběhu byly experimentálně stanoveny na jeden týden a to
z následujících důvodů:
-
Jedná se na jednu stranu o dostatečně dlouhé období pro pacienta a současně také
nejkratší období pro pozorovatelnou změnu ve vývoji rehabilitace.
Kontroly u lékaře jsou ve většině případů uskutečněny právě po týdnu. Lze tedy
vhodně porovnávat výsledky získané při kontrole u lékaře a z domácí rehabilitace za
shodné časové období.
Aby však bylo možno domácí rehabilitaci za určité období hodnotit tak musí být k dispozici
dostatečné množství výsledků příslušných úloh. Byly tedy stanoveny následující podmínky:
136
-
-
-
Týden je hodnocen, pouze pokud obsahuje minimálně čtyři výsledky téže úlohy od
pacienta avšak v různých dnech. Jedná se o nadpoloviční počet dní v týdnu. Pokud
pacient úlohu neřešil podle stanovených podmínek, tak úloha za tento týden není
hodnocena. Nepoužije se ani její hodnocení například z minulého týdne. Tento časový
interval se označí jako prázdný.
Z příslušného časového intervalu je stanovena pouze jediná výsledná / střední hodnota
a ta prohlášena na celkový výstup hotovo intervalu. Informuje tedy o hodnocení dané
úlohy nebo stavu poruchy v daném intervalu, tedy týdnu.
Celkový stav, tedy směr vývoje, je sestaven jako posloupnost dříve vytvořených
intervalů. Přesněji řečeno vývoj od jednoho intervalu ke druhému, případně přes
několik intervalů současně. Lze hodnotit jak směr od prvního k poslednímu intervalu,
nebo celkově převládající směr.
krátkodobé hodnocení
dlouhodobé hodnocení
hodnocení odchylky
odchylkyodchylky
hodnocené týdenní intervaly
0
4
2
6
týdny
Obrázek 12.10: Princip hodnocení domácí rehabilitace po týdenních časových intervalech. Z reálných hodnocení
úloh (červené body) jsou vytvořeny týdenní průměry (fialové úsečky) a ty proloženy pro zobrazení vývoje
rehabilitace (zelené šipky).
Pro ještě vhodnější zobrazení byl navržen graf informující o průběhu jednotlivých poruch.
Úroveň poruchy je signalizována tloušťkou čáry v grafu. Větší šířka čáry indikuje závažnější stav
poruchy a naopak. Takto lze velmi snadno získat informaci o aktuálním stavu a detekovaném
směru vývoji poruchy. Jelikož každá úloha interně obsahuje hodnocení pro zdravého jedince
(etalon pro srovnání) je v grafu rovněž signalizováno přiblížení, případně dosažení tohoto
úspěšného cíle tečkovanou čárou.
zraková ostrost
závažnost poruchy
pohyblivost oka
šířka fuze
rehabilita
čas rehabilitace
0
Obrázek 12.11: Souhrnné hodnocení jednotlivých poruch. Od závažného hodnocení poruchy (tlustá čára), přes její
zlepšení (plná ztenčující se čára) až po dosažení uspokojivého stavu (přerušovaná čára).
137
Pokud některá křivka signalizuje dosažení úspěšného cíle léčby, tedy srovnatelného se stavem
zdravého jedince, je to rovněž vhodným signálem pro přeplánování rehabilitačního procesu.
Některé úlohy jsou již zbytečné. Postrádají svůj význam, protože porucha je již vyléčena. Jiné
úlohy by mohly být velmi vhodné, například ty co dříve nebylo možno aplikovat z důvodu
závislosti na jiné existující poruše. Jedná se o systém pro podporu a je tudíž na lékaři jaký krok
skutečně zvolí.
Před přeplánováním rehabilitačního procesu, lze rovněž podle uvážení lékaře některé úlohy
zvýhodnit nebo potlačit pomocí jejich preference. Usoudí-li tedy lékař, že určitá úloha je pro
většinu pacientů velmi prospěšná, tak může zvýšit její hodnocení a tím preferovat jejím výběr
při plánování rehabilitačního procesu.
12.6 Implementace části návrhu rehabilitace a ověření činnosti
Část navrženého řešení pro tvorbu rehabilitace byla implementována pro ověření činnosti. Pro
rehabilitaci bylo vytvořeno několik rehabilitačních úloh, jež jsou rozděleny do dvou hlavních
kategorií a to pro rehabilitaci „pod dohledem lékaře“ a pro „domácí“ rehabilitaci. Některé
úlohy jsou společné, nebo se překrývají pro obě kategorie, ale liší se množstvím
zpracovávaných nebo poskytovaných informací. Zde jsou uvedeny některé z vytvořených úloh:
-
-
-
-
-
-
-
Cvičení fixace. Pacient umisťuje body do středu pootáčejícího se a uskakujícího kříže.
Šířka a délka čáry kříže a průměr umisťovaného bodu se mění podle schopností
pacienta.
Doplňování tvarů malých obrázků. Pacient doplňuje vzory do obrázků podle předlohy.
Úloha mění velikost obrázků podle schopností pacienta a rovněž preferuje, více
předkládá obrazce, které jsou pro pacienta problematické. Úloha je v několika
variantách.
Obkreslování obrázků. Pacient obkresluje obrázky různých složitostí, tvarů a šířek čár.
Úloha hodnotí přesnost kresby pacienta a podle úspěšnosti navrhuje obrazce
přiměřené složitosti a tloušťky čáry. Úloha je v několika modifikacích.
Průchod bludištěm. Pacient prochází bludištěm a hodnotí se trasa neboli pohyb
středem cesty mezi zdmi, odchylka a současně nárazy do zdi. Úloha předkládá bludiště
určité složitosti podle schopností pacienta.
Rozpoznání a přepis mozaiky. Pacient rozpoznává označená políčka vzorové mozaiky a
ty přepisuje do prázdné matice. Podle schopnosti pacienta (ostrost vidění, úspěšnost)
úloha generuje vhodné zadání ve smyslu počet označených políček a velikost políčka
mozaik). Převážně domácí rehabilitace.
Cvičení fuze. Pomocí červeno-zelených brýlí jsou pacientu poskytnuty dva obrazy, a to
pro každé oko zvlášť. Pacient nejprve určí jejich výchozí stav neboli polohu a úloha
poté vhodným posuvem (směr a rychlost) obrazů vytváří požadované cvičení fuze.
Úloha poskytuje několik základních obrazců a jejich pohyb (směr a rychlost) upravuje
podle schopností pacienta. Pouze pod dohledem lékaře.
Trenažér okohybných svalů v několika variantách. Pouze jednoduchý pohyb
stimulačního bodu po předem nastavené trase (vodorovně, šikmo, kruh, elipsa,
osmička, …), nebo adaptivní pohyb stimulačního bodu podle manuální informace od
pacienta, či automatického snímání pohybu očí. Pokud již pacient nevidí stimulační bod
138
-
v daném pohledovém směru tak stiskne tlačítko (domácí varianta), nebo snímání
polohy zornice vyhodnotí omezení pohybu oka v daném pohledovém směru (varianta
u lékaře). Úloha sníží výchylku stimulu v problémovém pohledovém směru a poté ji
postupně opět zvyšuje. Rychlost je odvozena od reakce pacienta.
CAM (Cambellův stimulátor). Obkreslování obrázku na stimulačním neboli rušivém
pozadí. Pouze pod dohledem lékaře.
A další, které jsou již vytvořeny nebo se průběžně vytvářejí podle požadavků a
poznatků lékařů. Případně práce s pacienty.
Proces rehabilitace je v podstatě zahájen výběrem vhodných úloh. Pro testovací účely byl
sestaven potřebný popis několika nejčastěji využívaných úloh, jejich název, vhodnost pro
poruchu a další parametry. Tabulka 12.4 obsahuje tyto údaje.
Tabulka 12.4: Příklad klasifikace některých často využívaných úloh v rehabilitačním procesu podle vhodnosti na
typy poruch. Udává se, jakou mírou daná úloha v procesu rehabilitace přispívá k léčbě dané poruchy.
obkreslování
dopl. tvarů
cvičení oč. svalů
umísťování bodů
cvičení fuze
tupozrakost
malá šířka fuze
excent. fixace
vysoká
vysoká
neovlivňuje
střední
neovlivňuje
nízká
neovlivňuje
neovlivňuje
nízká
Vysoká
nízká
nízká
neovlivňuje
vysoká
neovlivňuje
omez. poh.
svalů
neovlivňuje
neovlivňuje
vysoká
neovlivňuje
neovlivňuje
Systém na podporu návrhu
rehabilitačního procesu
Diagnóza
Jako příklad vezmeme diagnózu pacienta obsahující: tupozrakost pravého oka (nízký visus),
nízkou fúzi a omezení pohyblivosti oka vpravo. Při zadání těchto položek a případně
dodatečných informací do plánovacího systému obdržíme výstup podle Obrázek 12.12:
Základní návrh rehabilitačního procesu
A) Tupozrakost (oko pravé)
priorita: vysoká, podmínka: není
úlohy: obrázky, body, tvary
B) Šířka fuze (obě očí)
priorita: střední, podmínka: nízká A
úlohy: cvičení fuze
0) Motilita
priorita: střední
podmínka: není
úlohy: trenažér
Obrázek 12.12: Princip návrhu rehabilitačního procesu. Nejprve je nutno stanovit diagnózu, poté systém pro
návrh rehabilitačního procesu navrhne postup a ten je aplikován na pacienta.
-
V prvním kroku (A) je nutno léčit neboli odstranit tupozrakost pravého oka. Vysoká
priorita a žádná podmínka.
Fúzi lze léčit neboli odstranit teprve až ve druhém kroku (B). Lze léčit, pouze pokud je
tupozrakost nízká (oko musí dostatečně vidět).
Pohyblivost oka lze léčit neboli odstraňovat nezávisle (0) na existenci zbývajících dvou
poruchách.
139
Rovněž byla doporučena okluze zdravého oka v intervalu dvou dní. Tento interval byl stanoven
podle doporučených hodnot zadaných lékařem při vytváření systému. Plán je tedy následující:
-
V daných časových intervalech aplikovat okluzi na zdravé oko a tím více aktivovat
(zapojovat / preferovat) oko postižené.
Využívat úlohy pro léčbu tupozrakosti (malé obrázky, obkreslování, umísťování bodů,
doplňování tvarů).
Využívat úlohy pro stimulaci okohybných svalů (preference pravé strany) - trenažér.
Ostatní úlohy lze libosti. Žádné úlohy nejsou přímo zakázány.
Cvičení fúze až ve druhé fázi, kdy bude dostatečně odstraněna tupozrakost pravého
oka. Ostrost vidění musí být na obou očích téměř srovnatelná.
Úlohy [Příloha C] pod dohledem lékaře jsou přístupné pouze v ordinaci lékaře neboli ortoptisty.
Jsou vytvořeny jako desktopové aplikace (MS.NET Framework, C#, WPF) a mnoho úloh využívá
velkoplošný zobrazovací monitor (LCD TV 117cm), pro požadovaný rozsah stimulace
okohybných svalů pacienta. Před spuštěním úlohy je vybrán pacient z databáze a výsledky jsou
vždy ukládány pod jeho jméno. Rehabilitace u lékaře se vykonává většinou jednou za týden. Při
vlastní úloze je pouze zobrazeno určité hodnocení, ale výsledky jsou vždy ukládány. Z databáze
lze získat například graf hodnocení úlohy od začátku rehabilitace. Obrázek 12.13 obsahuje
příklady hodnocení různých typů úloh formou grafů.
Obrázek 12.13: Příklady hodnocení některých rehabilitačních úloh využívaných převážně v ordinaci lékaře
(například ostrost vidění, vyšetření na HS plátně atd.).
Úlohy pro domácí rehabilitaci jsou vytvořeny jako webové aplikace v prostředí (MS.NET
Framework, C#, SilverLight) a umístěny na server. Celý soubor úloh je seskupen do několika
kategorií podle jejich zaměření. Obrázek 12.13 obsahuje některé příklady úloh pro domácí
rehabilitaci.
140
Obrázek 12.14: Příklady webových aplikací (bludiště, obkreslování, doplňování obrázků, fixace, trenažér
okohybných svalů) určených zejména pro samostatnou domácí adaptivní rehabilitaci.
Každá úloha obsahuje vlastní hodnocení a schopnost určité adaptace na měnící se stav
pacienta. Obsahuje tedy algoritmus a kritéria pro vedení pacienta požadovaným směrem.
Úloha je schopna zobrazit aktuální hodnocení, skóre právě běžícího řešení, a přehledové
hodnocení za určitý uplynulý časový interval ve formě grafu.
Obrázek 12.15: Příklady hodnocení několika domácích rehabilitačních úloh.
Každý pacient obdrží přístupový kód a heslo, který do webové úlohy zadá. Přístupový kód je
složen z identifikace nemocnice, lékaře a pacienta a současně chráněn heslem pro ověření.
Poté jsou výsledky úloh odesílány a ukládány na server pouze pod kódem pacienta. Úloha tedy
reaguje na aktuální stav pacienta svým nastavením vedoucím jej ve smyslu rehabilitace a
výsledky odesílá lékaři.
Struktura výsledku úlohy z domácí rehabilitace
Identifikace uživatele (id. nemocnice + id. lékaře + id. pacienta)
Identifikace úlohy (typ úlohy + základní parametry, upřesnění)
Nastavení úlohy (nastavení složitosti úlohy podle stavu pacienta)
Hodnocení úlohy (hodnocení podle aktuálně nastavené složitosti)
Data úlohy (pouze u některých typů úloh pro podrobnější hodnocení)
Obrázek 12.16: Struktura odesílaných informací z úloh domácí rehabilitace. Obsahuje identifikaci pacienta,
identifikaci lékaře a lékařského zařízení, typ úlohy, aktuální nastavení parametrů úlohy a případně další
informace podle konkrétní úlohy.
Ze serveru jsou data vyzvedávána nejčastěji jednou za den a u lékaře vložena do stejné
databáze jako v případě aplikací v ordinaci lékaře. Vše podle identifikace pacienta. Takto dojde
ke spojení výsledků získaných jak v ordinaci, tak i z domácího prostředí. Lze tedy nejen
detekovat, s jakou úspěšností je domácí úloha řešena, ale rovněž jak často pacient úlohu řešil.
141
Velmi snadno lze tedy získat informaci, jak často pacient doma rehabilituje a zda jsou výsledky
věrohodné, nebo dokonce srovnatelné s návštěvou u lékaře. Toto dříve nebylo možné.
12.7 Získané výsledky při hodnocení procesu rehabilitace
Pro ověření navrženého hodnocení rehabilitačního procesu pomocí HS obrazce byly využity
dlouhodobější výsledky dvou pacientů.
Obrázek 12.17: HS obrazce dvou různých pacientů za období a) 3 měsíců (nahoře), b) 6 měsíců (dole). Starší
záznamy jsou zobrazeny tenkou a šedou čarou na pozadí. Novější záznamy jsou naopak zobrazeny širší a tmavou
čarou v popředí. Je zřejmý velký rozdíl v rozsahu / tvaru šedého obrazce na pozadí oproti černému obrazci
v popředí.
Obrázek 12.17a a Obrázek 12.17b obsahuje hromadné zobrazení několika kontrolních
vyšetření pomocí HS plátna. Starší záznamy jsou světlou a tenkou čarou v pozadí a novější
naopak tmavou v popředí. Obrázek 12.17a je za časové období 3 měsíců rehabilitace a Obrázek
12.17b za období 6 měsíců rehabilitace. Jedná se tedy o dva rozdílné pacienty.
142
a)
b)
Obrázek 12.18: Objektivní hodnocení průběhu rehabilitace dvou rozdílných pacientů pomocí parametrů
detekovaných z vyšetření na HS plátně podle kapitoly 12.5.1.
Obrázek 12.18 obsahuje objektivní hodnocení průběhu rehabilitace podle dříve stanovených
parametrů: odchylka v ploše HS obrazce (modrá), odchylka v šířce (fialová) a výšce (zelená)
obrazce, odchylka ve tvaru (hnědá) a odchylka v umístění bodů (červená). Cílový stav křivky je v
bodě 0, kterého však žádná z křivek nikdy zcela nedosáhne. Obrázek 12.18a hodnotí průběh
rehabilitace pouze za 3 měsíce a lze detekovat určité zlepšení zcela v počátku rehabilitace a
poté již převážně stagnaci. Obrázek 12.18b hodnotí období 6 měsíců a je zřejmé stálé postupné
zlepšování. V určitém období je zaznamenán jistý výkyv pouze ve tvaru obrazce, což může být
způsobeno chybou pacienta při testu, neboť ostatní parametry mají stále zlepšující se tendenci.
Při podrobnějším pohledu je zřejmé, že si obrázky Obrázek 12.17 a Obrázek 12.18 odpovídají.
První však obsahuje výstup vhodnější pro lékaře při stanovení aktuální nebo průběžné diagnózy
a druhý je vhodnější pro ortoptistu pro hodnocení dosavadního průběhu rehabilitace. I když je
grafické zobrazení v podstatě hodnoceno subjektivně lékařem nebo ortopistou, tak zcela určitě
přispívá k získání celkového objektivnějšího přehledu.
Několik týdnů jsou již využívány uvedené SW nástroje pro domácí rehabilitaci. Zhruba 10
pacientů celkem aktivně a to téměř každý den tyto úlohy řeší a aktuální výsledky odesílá. Pro
ověření byla vybrána úloha pro cvičení fixace. Jde o jednodušší variantu oproti testu fixace
v ordinaci lékaře. Zde se oči při úloze zatím nerozdělují na pravé a levé, protože nelze
jednoznačně důvěřovat pacientů, zda test vykonaly skutečně pomocí pouze jednoho
otevřeného oka. Byl vybrán pacient, který tuto úlohy používal nejčastěji, a Obrázek 12.19
obsahuje jeho výsledky.
Obrázek 12.19: Výsledky hodnocení průběhu rehabilitace od reálného pacienta za zhruba jeden měsíc domácí
rehabilitace. Jde o velmi malé časové období pro zachycení zřetelného zlepšení některé poruchy / ulohy.
Na první pohled se může zdát graf poněkud nepřehledný, a proto byl rozdělen na dva
následující.
143
a)
b)
Obrázek 12.20: Rozdělení předešlého grafu pro názornost na a) časovou část obsahující hodiny a dny v týdnu a b)
hodnocení úlohy v daném okamžiku.
Obrázek 12.20a zachycuje černou barvou dny v týdnu (od 0 do 6) a šedou denní čas v hodinách
(od 0 do 23). Obrázek 12.20b obsahuje některé hodnocené parametry úlohy: odchylka středu
shluku bodů od středu kříže (červená), rozptyl (zelená) a poloměr kružnice obsahující 2/3
nejbližších bodů ke středu shluku (modrá). Vodorovná časová osa je vždy lineární. Z obou grafů
je vcelku zřejmá závislost úspěšnosti řešení úlohy nejen na dni v týdnu, ale současně i na
denním čase:
-
Směrem ke středu týdne je úspěšnost pacienta znatelně horší než směrem k přelomu
týdne.
Úspěšnost je rovněž celkem závislá na denní době. Velmi často při pozdějším denním
čase jsou výstupy pacienta přesnější.
Jde však pouze o velmi malé časové období, ze kterého ještě nelze stanovit skutečně
věrohodné závěry. I přesto lze odhadem říci, že pokud pacient přijde na kontrolu zhruba
uprostřed týdne a to před 18 hodinou, tak jeho výsledky nebudou tak přesné jako kdyby přišel
na kontrolu na přelomu týdne. Zde může být například velmi znatelný odpočinek pacienta po
sobotě a neděli.
Obrázek 12.21: Znázornění principu hodnocení dlouhodobého vývoje úlohy na reálném výstupu při sledování
procesu domácí rehabilitace pacienta.
Jak bylo popsáno v návrhu hodnocení rehabilitace, tak je nejprve časové období rozděleno na
jednotlivé týdny (fialové svislé čáry), poté vypočtena střední hodnota pro příslušný týden
(hnědá vodorovná přerušovaná čára) a nakonec zobrazeny šipky (tmavě hnědé) mezi časovými
intervaly indikující směr vývoje od jednoho týdne ke druhému.
144
Jde tedy rovněž o velmi přínosnou podporu lékaře při hodnocení průběhu rehabilitace. I když
graf obsahuje křivky jednotlivých parametrů, tak přesto doplňkové informace jako je
hodnocení jednotlivých časových intervalů a jejich vztahů je velkým přínosem při celkovém
hodnocení rehabilitačního procesu.
12.8 Hodnocení přínosu rehabilitačního procesu
Jelikož rehabilitace představuje velmi komplexní, často i dlouhodobý a ve zvláštních případech
téměř nekonečný proces, nelze ji tedy snadno hodnotit. Pro skutečně věrohodné hodnocení
vytvořených úloh a tedy skutečného přínosu bychom potřebovali celkem velký počet pacientů
a to nejlépe řádově stovky za dlouhé období i několika let. Rovněž nelze snadno srovnávat
rehabilitaci pacientů podle původního a nově navrženého řešení a to z následujících hlavních
důvodů:
-
-
Pacienta nelze léčit současně pomocí původních a nových úloh. Nebylo by možno
dostatečně oddělit vliv původního a nového přístupu a tím je oba správně hodnotit.
Pokud zvolíme jednoho pacienta pro původní a druhého pro nový postup, tak se
v podstatě zcela určitě nejedná o stejné pacienty neboli vstupní podmínky. Nikdy
nejsou dvě i stejné poruchy rovnocenné a průběhy léčby mohou být i značně odlišné
v závislosti na skrytých vadách, nebo nepřesnostech v diagnóze. Jeden pacient může
být ochotnější než druhý a to zcela změní proces léčby. Pro vhodné srovnání bychom
potřebovali skutečně velké množství pacientů.
Časové srovnání může být rovněž velmi zavádějící. Novým postupem lze například
poruchu eliminovat mnohem více, avšak i za poněkud delší časové období. Což je pro
pacienta určitě mnohem větším přínosem, ale naopak z hlediska časového srovnání
není nový postup ekonomicky nejvhodnější. Jak v tomto případě hodnotit úspěšnost
léčby poruchy – časový interval nebo úspěšnost odstranění.
Z těchto důvodů bylo přistoupeno ke zcela jinému typu hodnocení přínosu této práce a to
posuzováním z hlediska odborníků (lékařů) a současně i pacientů (uživatelů). Hodnocení je tedy
vykonáno formou konstatování ve smyslu: velmi kladný přínos, kladný přínos, nepozorováno,
negativní přínos, velmi negativní přínos. Jak jsou tedy jednotlivé přínosy hodnoceny:
-
-
Lékař hodnotí kladně klasifikaci jednotlivých rehabilitačních úloh podle typů poruch a
systém pro jejich výběr při tvorbě rehabilitačního procesu.
Lékař hodnotí velmi kladně možnost určité kontroly domácí rehabilitace pomocí
odesílaných informací a rovněž velmi kladně schopnost jednotlivých úloh se
automaticky adaptovat stavu pacienta a tím vytvářet domácí rehabilitace stále
efektivní a účinnou i v době mezi kontrolami u lékaře.
Lékař adaptivnost nástrojů nejen pro domácí rehabilitaci rovněž hodnotí velmi kladně.
Jde zejména o odstranění „obavy z reakce lékaře – efekt bílého pláště“, kdy se již
pacient nemusí obávat své odpovědi před lékařem. Úloha reaguje na stav pacienta
přímo. Toto je významné hlavně u velmi malých dětí.
145
-
-
-
-
-
-
Lékař některé samo adaptivní úlohy jako „trenažér okohybných svalů“ nebo „cvičení
fúze“ hodnotí velmi kladně jako zcela unikátní nástroje, které doposud chyběly.
Lékaři kladně hodnotí možnosti grafických přehledů vývoje určité úlohy a s ní
související poruchy. Jedná se o názornou formu podání výsledků rehabilitačního
procesu.
Pacienti hodnotí velmi kladně zvyšující se rozmanitost úloh a jejich snadnou
dostupnost pro domácí rehabilitaci. Dřívější opakování velmi omezeného souboru úloh
bylo buď nudné, nebo se je pacienti naučili z paměti a tím byl efekt léčby degradován.
Pacienti jsou převážně děti a ty je nutné do procesu rehabilitace vtáhnout vhodnou
formou. Pomocí souboru her obsahující náhodně generované zadání, nikoli
přednastavené, byla vytvořena vhodná stimulace dětí pro rehabilitační proces. Toto
hodnotí zejména jejich rodiče velmi kladně.
Pacient hodnotí kladně dostupnost většiny úloh a testů pro množství handicapovaných
uživatelů, kterým je rovněž zpřístupněna možnost rehabilitačního procesu. Dříve velmi
těžce řešitelné, nebo často přímo nemožné.
(lékař / pacient) U některých adaptivních úloh jako například trenažér okohybných
svalů, nebo cvičení fúze byla detekována až „příliš velká“ účinnost. Ta se projevovala až
příliš rychlým znatelným zlepšením. Pacient (i lékař) hodnotil výsledek velmi kladně,
ale současně pacient pociťoval (nestěžoval si) velké vypětí po absolvování tohoto
cvičení. Některé úlohy nejsou tedy přístupné pro domácí rehabilitaci, ale pouze pod
dohledem lékaře a to pouze po omezený časový interval.
Lékaři ne (zcela) kladně hodnotí nutnost vybavení ordinace výpočetní technikou a
velkoplošnou obrazovkou (LCD TV). Tato počáteční neochota (podle slov lékařů dána
nemalou cenou zařízení) je však později zcela vykompenzována přínosem při využívání
vytvořených nástrojů.
Samostatně je nutno zhodnotit grafické znázornění průběhu rehabilitace, které je zcela
originální a to z několika pohledů:
-
-
Nejde pouze o prosté konstatování, ale o soubor objektivních parametrů jednoznačně
určujících směr vývoje rehabilitace.
Nejde pouze o tabulku odečtených hodnot, ale o zcela grafické znázornění současně
libovolného počtu výsledků a tím získání okamžitého přehledu o celkovém průběhu
rehabilitace.
Jednotlivé parametry vhodně popisují například HS obrazec a lze z nich velmi snadno
detekovat, jaké kroky rehabilitace jsou úspěšnější a jaké nikoli.
Zcela samostatný přínos se týká objektivizace hodnocení domácí rehabilitace z pohledu lékaře,
která poskytuje zcela nový přínos a to zejména:
-
Lze zcela objektivně hodnotit nejen jak často a které dny, v jakou časovou dobu
pacient skutečně trénoval, ale současně jak jsou jeho výsledky závislé na časovém
rozvrhu.
146
-
Lze stanovit tedy spolehlivost výsledků při kontrole u lékaře vzhledem celkovému
průběhu domácí rehabilitace.
Lze hodnotit jednotlivé parametry úloh a jejich vývoj.
V podstatě lze vytvořit jednoduchý model pacienta a využít jej nejen pro plánování
návštěvy u lékaře, ale alespoň pro určení věrohodnosti jeho výsledků při návštěvě
lékaře.
I když je vytvořený proces rehabilitace velmi přínosný, stále je nutno úlohy doplňovat a
modifikovat, nebo zcela nové vytvářet podle získávaných poznatků. Jedná se o vcelku velký
skok v tomto procesu. V současné době jsou vytvořené úlohy testovány pod souhlasem
lékařských pracovišť a samozřejmě i pacientů za účelem jejich oficiálního odsouhlasení jako
doporučené pomůcky pro zejména domácí rehabilitační proces.
147
13 Závěr
Cíle vytyčené na začátku této práce byly splněny. Některé se podařilo „zcela uzavřít“ v průběhu
vlastního řešení práce – to je případ „vytvoření mnoha SW diagnostických a rehabilitačních
nástrojů pro zajištění dostatečné objektivizace měření“ [Příloha C]. Jiné byly v průběhu práce
v podstatě „rozpracovány“, tj. bylo navrženo řešení, jehož testování se ukázalo časově velmi
náročné a v současné době jsou k dispozici pouze předběžné mezivýsledky jako například u
hodnocení efektivnosti (domácí) rehabilitace z dlouhodobého pohledu.




Jedním z hlavních cílů byla objektivizace diagnostických a rehabilitačních testů a
úloh. Tento bod byl splněn v rámci několika nejčastěji využívaných testů a úloh. Na
nich byl demonstrován nejen princip jejich transformace na SW programy, což
umožňuje získání přesnějších a objektivnějších výstupů, ale rovněž byl vyzdvihnut
přínos tohoto řešení v možnosti získání dalších nových informací z průběhu vyšetření
pacienta. Bylo docíleno nejen zkrácení časové náročnosti některých testů, ale
současně vyšší vypovídací hodnoty formou vhodného grafického výstupu. Velkým
přínosem je rovněž jistá standardizace některých postupů vyšetření.
Dalším cílem byl návrh, vytvoření a naplnění datového úložiště daty, která byla
využita při návrhu znalostního systému pro podporu rozhodování. Bylo vytvořeno
vhodné univerzální datové úložiště pro mnoho typů získaných dat za účelem jejich
nejen snadné správy, ale zejména hromadného zpracování, průběžného hodnocení a
grafického podání uložených informací lékařům. Funkčnost a robustnost
univerzálního úložiště byla pečlivě otestována při jeho plnění daty na různých
lékařských pracovištích.
Stěžejním cílem bylo navržení a vytvoření znalostního systému pro podporu lékaře
při návrhu diagnózy. Jelikož kvalita tohoto systému je přímo úměrná počtu vložených
znalostí, v našem případě příkladů a pravidel, tak bylo uskutečněno pouze jeho pilotní
testování a hodnocení. Již ze současného relativně malého počtu příkladů a při
současné podpoře základního souboru pravidel systém vykazoval vcelku dobrou
úspěšnost (viz Tabulka 11.5). Běžné diagnózy jsou navrhovány s velkou úspěšností a
pro méně časté případy jsou přinejmenším vhodně zobrazeny nápomocné informace.
Navržený systém využívající jak příklady, tak současně i pravidla a disponující
schopností podání navržené diagnózy je velkým přínosem pro podporu při rozhodování
lékaře.
Posledním cílem bylo vytvoření podpory při návrhu a objektivním hodnocení
vlastního průběhu rehabilitace. Zde byl vytvořen unikátní systém pro domácí
rehabilitaci pacienta obsahující několik webových adaptivních úloh, který lékaři
poskytuje nejen komplexnější přehled o domácí rehabilitaci pacienta, ale i informace
o jeho aktuálním stavu (viz.Obrázek 12.10 a Obrázek 12.18). Pilotní testování ukázalo,
že nasazení tohoto systému může přispět k účinnější léčbě.
Vzniklý unikátní SW systém integrující diagnostické a rehabilitační úlohy, se v současné době
využívá aktivně na třech velkých lékařských pracovištích a dalších třech testuje. Je udržován
148
stálý kontakt se zhruba deseti lékaři a úlohy pro domácí rehabilitaci v současné době využívá
přes 100 pacientů. Pro skutečné zhodnocení přínosu této práce je potřeba určité delší časové
období. Domácí rehabilitace okohybných poruch je často záležitostí od několika měsíců a
někdy až do několika let.
Ohlas této práce je mezi lékaři a pacienty velký. V současné době probíhá úspěšně jednání se
„Společenstvím ortoptistů a ortoptistek“ za účelem získání oficiálního doporučení pro využívání
výsledků této práce mezi pacienty pro domácí rehabilitaci. Po ukončení testovacího období
bude snaha o ochranu množství výsledků této práce formou užitných vzorů nebo patentů.
Rovněž jsou již k dispozici návrhy na další spolupráci to i ze zahraniční.
13.1 Současná využitelnost této práce
Při řešení problémů diagnostiky a rehabilitace strabismu vzniklo několik unikátních SW / HW
nástrojů a to zejména:
-
Sada testů jako vylepšené, zdokonalené nebo zcela nové diagnostické nástroje.
Znalostní nástroj pro podporu rozhodování lékaře při stanovení diagnózy.
Sada úloh jako vylepšené, zdokonalené a zcela nové rehabilitační pomůcky.
Nástroj pro podporu rozhodování lékaře při plánování rehabilitačního procesu a
hodnocení jeho úspěšnosti.
Sada úloh pro domácí rehabilitaci s webovým rozhraním, adaptivní zpětnou vazbou a
případným dohledem ze strany lékaře.
Návrhy a částečná realizace některých mechanických přístrojů, které zatím nelze na
SW řešení zcela převést.
V současné době jsou tyto nové úlohy testovány a jejich výstupy porovnávány s existujícími
staršími výstupy s tím, že je snahou dosáhnout jejich schválení a prosazení jako oficiálních
doporučených nástrojů pro diagnostické a rehabilitační účely v oboru strabismu. Postup byl
zahájen u „Společnosti ortopistů a ortoptistek“, kde jednání již probíhá, dále bude pokračovat
u příslušné lékařské komory a to tak, aby se nakonec mohlo podařit některé z nich prosadit u
„zdravotních pojišťoven“, například pro bodové hodnocení při jejich využití jak v ordinaci
lékaře, tak i v domácím prostředí. Jde tedy o přenos léčebného procesu do domácího prostředí
pod částečným dohledem lékaře.
V současné době, zatím však oficiálně neschváleno, jsou vytvořené programy a zařízení
dostupné vybraným lékařům a to pouze na požádání. Pacientům pak pouze oproti podpisu
příslušného formuláře [Příloha A], nebo po vhodné informovanosti ze strany lékaře. Dokud
nebudou vytvořené SW úlohy oficiálně schváleny a doporučeny, tak mohou být distribuovány
pouze autorem a využívány s jeho souhlasem nebo jiného odborného pracovníka účastnícího
se tohoto vývoje. Rozsah jejich využívání je však zcela na uvážení cílového pracoviště.
13.2 Využití ze strany lékařů spolupracujících pracovišť
Původně byla spolupráce pouze s jedním pracovištěm zabývajícím se strabismem a to
Oddělením pro dospělé a děti v nemocnici v Praze Motole. Avšak již po první veřejné
149
prezentaci na konferenci zájem o vytvářené prostředky a nástroje velmi vzrostl. V současné
době jsou pracoviště s různou úrovní spolupráce rozdělena do tří hlavních kategorií:
1) Aktivní. Aktivně se zapojující do návrhu a tvorby diagnostických a rehabilitačních testů
a úloh. Jsou ochotny věnovat svůj čas podrobné práci s pacienty a shromažďovat
informace a podklady pro zdokonalování vytvářených nástrojů. Ortoptika tvoří
převážně jejich hlavní náplň práce. Přínos těchto pracovišť je pro projekt velmi
důležitý.
2) Pasivní. Jsou ochotny vytvářené jak diagnostické, tak i rehabilitační nástroje testovat a
zavazují se poskytovat informace pro jejich zdokonalení. Avšak pouze v rámci jejich
omezených časových možností. Ortoptika může, ale nemusí tvořit jejich hlavní náplň
práce, nebo z časových důvodů nejsou schopny ověřovat všechny nově navržené
nástroje a postupy. Přínos těchto pracovišť je pro projekt pomocný a tedy vhodný.
3) Ostatní. Jde většinou o vzdálená pracoviště nacházející se mimo Prahu, kam nelze
často cestovat za účelem instalace nových verzí aplikací, protože se při vývoji velmi
mění a rovněž často obsahují HW komponenty. Tato pracoviště výsledky práce
využívají v rozsahu podle vlastního uvážení. Rovněž je na jejich zvážení zda budou
poskytovat informace vedoucí ke zdokonalování tohoto projektu.
Dosud známá pracoviště využívající alespoň některé z vytvořených výsledků této práce. Přesné
adresy případně maily mohou být poskytnuty na požádání.
Aktivní pracoviště:
Fakultní nemocnice v Motole (kontakt: MUDr. Jiří Malec, MUDr. Rudolf Černý) [Příloha B]
(soukromá) Oční ordinace Barrandov (kontakt: MUDr. Anna Zobannová) [Příloha B]
(soukromá) Oční klinika Horní Počernice (kontakt: MUDr. Ludmila Konvičková)
(soukromá) Orní ordinace Kladno (kontakt: Eva Modlingerová)
Pasivní pracoviště:
Nemocnice středočeského kraje Kolín (kontakt: Libuše Kozelková)
Ostatní:
Oční ordinace Hradec králové, ZŠ Jiráskovo náměstí (kontakt: Milena Hronková)
Jde o oficiálně kontaktovaná pracoviště, jimž již byly některé výstupy práce poskytnuty.
Některá pracoviště mají zájem o větší rozsah spolupráce, ale ta zatím nebyla z časových
důvodů uskutečněna. Ohlasy ze strany lékařů jsou velmi pozitivní.
13.3 Ohlas ze strany pacientů
Vytvořením souboru domácích úloh jako webové aplikace byla zpřístupněna cílená rehabilitace
pro pacienty rovněž přímo v domácím prostředí. Doposud není známa existence takovéhoto
řešení se zpětnou vazbou až k lékaři. Pacienti se rovněž dělí na „převážně aktivní“ a ty
„převážně pasivní“. Aktivní pacienti využívají domácí úlohy velmi často a ochotně poskytují
informace vedoucí nejen k jejich zdokonalení, ale i celého systému. Některé informace od
150
pacientů značně přispěly k vývoji rehabilitačních nástrojů. Zejména k jejich odladění.
V současné době, červen 2011 je podle rozdaných formulářů pro informovaný souhlas pacienta
evidováno zhruba 100 pacientů využívajících vytvořené úlohy pro domácí rehabilitaci. Ve
skutečnosti může jít o větší počet, neboť odkazy na úlohy mohou pacienti obdržet vzájemně od
sebe a nikoli pouze od svého lékaře. Samozřejmě může odkazy lékař poskytnout bez podpisu
příslušného formuláře. V současné době jsou všechny webové úlohy volně přístupné. Osobním
číslem a heslem je blokováno pouze odesílání výsledků lékaři nikoli vlastní činnost úloh. Ohlas
od pacientů je rovněž velmi kladný.
13.4 Podpora pro využívání výsledků této práce
I přes relativně velkou dostupnost výpočetní techniky a LCD TV, je přesto mnoho ordinací,
které si toto nemohou nebo zatím nechtějí dovolit. V současné době jsou pro pacienty SW
programy pro domácí rehabilitace zcela zdarma. Uvažuje se však o založení „nadace“, kam by
pacienti za používání těchto SW nástrojů pouze jednorázově uhradili jistý malý poplatek. Každý
lékař, případně nemocnice má vlastní skupinu pacientů a z takto získaných prostředků by bylo
možno pořídit základní technické vybavení a to: LCD TV minimální úhlopříčky 117cm, počítač
téměř libovolný a schopný připojení k LCD TV a barevnou tiskárnu pro tisk výsledků. Celková
hodnota základního vybavení by neměla přesáhnout 30tis (možná 25tis, červen 2011). Jednalo
by se o velmi cílený krok vhodný jak pro lékaře, tak i pacienty:
-
Pomoc lékařům pří získaní prostředků pro základní a potřebné technické vybavení a
tím umožnit plné využití vytvořených diagnostických i rehabilitačních SW nástrojů.
Stimulace pacientů pro odpovědné využívání vytvořených SW nástrojů.
13.5 Návrhy na prototypy, užitné vzory a patenty
V průběhu řešení této práce a samozřejmě vzájemné spolupráce s lékařskými pracovišti vzniklo
několik vylepšení stávajících přístrojů nebo dokonce zcela originálních zařízení. Některé z nich
budou předmětem snahy o podání přihlášky „prototypů“, „užitných vzorů“ nebo dokonce
„patentů“. U jiných bude snaha najít vhodného výrobce. Déle je uveden stručný popis
některých z nich:
1) Rozšíření diagnostického nástroje HessScreen o několik velmi podstatných přínosů jako jsou:
získání většího množství informací zatím nikterak nezískávaných, zamezení překrytí neboli
zaclonění některého bodu pohybem pacienta, vhodné uspořádání bodů pro odstranění
překlepů a zvýšení kvality výstupu.
2) Optimální cvičení zrakové ostrosti pomocí speciálně vytvořených obrázků obsahujících
přesně klasifikované úseky a oblasti a jejich vhodného hodnocení. Lze velmi snadno detekovat,
jaké pasáže nebo úseky jsou pro pacienta problémové a poté je velmi efektivně cvičit jejich
vhodným výběrem, případně generováním.
3) Velmi efektivní cvičení fuze neboli souběhu obou očí. Jde o zcela SW nástroj využívající
libovolných dvou-barevných brýlí k rozdělení pozorované scény do obou očí. Ten pomocí
151
vhodně se pohybujících obrazců na monitoru při současném využití adaptivní rychlosti pohybu,
velmi efektivně cvičí nejen správný souběh očí při binokulárním vidění, ale rovněž šířku fuze.
4) Systém využívající detekce polohy oční zornice neboli očních pohybů pro efektivní průběh
rehabilitace okohybných svalů. Na obrazovce se pohybuje stimulační podnět po trajektorii
nastavené podle výsledků diagnózy a pacient jej sleduje. Pomocí průběžné detekce polohy oční
zornice pacienta běžnou Web kamerou se trajektorie upravuje jak, aby byl pohyb bodu cílený
právě na pozice, jež představují pro pacienta problémové oblasti. Lze zcela využít i při domácí
léčbě.
5) Rozšíření diagnostického nástroje „perimetr“ pro test zorného pole. Současné nástroje
nejsou pro některé pacienty vhodné. Přínos spočívá v uskutečnění několika snadných předtestů k nastavení parametrů hlavního testu pro získání jeho maximálního objektivního výstupu.
6) Prototyp mechanického přístroje pro cvičení okohybných svalů v různých pohledových
směrech, nejen ve vodorovném pomocí pohybujícího se podnět před zraky pacienta. Rozšiřuje
původní zařízení, umožňující pouze vodorovný pohyb stimulačního podnětu, o možnost
pohybu nejen do téměř libovolného pohledového směru, ale současně možnost nastavit
trajektorii stimulačního bodu přímo podle výsledků diagnózy a průběžně ji adaptovat podle
stavu pacienta.
7) Externí ovládací zařízení pro některé úlohy nebo přístroje. Některé přístroje jsou
nepřístupné handicapovaným pacientům a těch není zanedbatelné množství. Když již člověka
postihne více poruch nebo nemocí současně, tak jsou mezi nimi velmi často bohužel i oční
vady. Pomocí nově vytvořených ovladačů jsou této skupině pacientů dostupné nejen
diagnostické testy a přístroje, ale rovněž rehabilitace.
Po dohodě s lékaři příslušného pracoviště nejsou některé výše zmíněné inovační úlohy a
přístroje volně poskytovány na jiná pracoviště. Důvodem je ochrana těchto inovačním metod
do okamžiku jejich dokončení, tedy dosažení určitého stavu a poté jejich ochrana zákonnou
cestou.
13.6 Hlavní cíle do budoucna
V průběhu řešení projektu se samozřejmě vyskytly další myšlenky na vylepšení a zdokonalení
stávajícího řešení zejména u diagnostických úloh. Některé další cíle do budoucna lze tedy
stručně shrnout následovně:
-
-
Rozšíření výstupu práce mezi další lékaře a pacienty. Velkým cílem je tedy rozšíření
výsledků této práce na více pracovišť za účelem jejich používání a zkvalitnění. Bez
většího využívání není možné výstupy práce dostatečně odladit a tím vytvořit vhodné a
stabilní úlohy.
Po určité zkušební době bude snaha přihlásit navržený a vytvořený systém pro domácí
rehabilitaci na některé ocenění jako například cenu ministerstva zdravotnictví.
152
-
Rovněž se ucházet o další ceny z lékařského oboru a to zejména z důvodu vstoupení
tohoto systému do povědomí.
Jedním z velkých cílů je vytvoření centralizované internetové databáze příkladů a
pravidel pro podporu stanovení diagnózy obsahující samozřejmě určité hodnocení
věrohodnosti neboli původu. Do tohoto centralizovaného úložiště by samozřejmě
vkládali příklady a pravidla pouze vybraní lékaři. Ostatní by je mohli využívat a hodnotit
jejich správnost.
153
14 Literatura
[1] Strabismus (2. Upravené vydání), Doc. MUDr. Gabriela Divišová CSc. a spolupracovníci,
AVICENUM, zdravotnické nakladatelství – Praha, 1979, ISBN 80-201-0037-7
[2] Klinická neuro-oftalmologie, Jiří Otradovec,
Grada Publishing a.s., 2003, ISBN 80-247-0280-0
[3] Thomson Software Solution, Software for Eye Care
http://www.thomson-software-solutions.com/html/pc_hess_screen.html (únor 2011)
[4] Binocular Vision and Ocular Motility – Theory and management of strabismus (6th Edition),
Gunter K. von Noorden, MD; Emilio C. Campos,MD;
Mosby 2002, ISBN 0-323-01129-2
[5] A digital diagnosis instrument of Hess screen for paralytic strabismus,
Liping Wang – Dong Yu – Feiyue Qiu – Jiazhen Shen,
Bioinformatics and Biomedical Engineering, 2007. ICBBE 2007. The 1st International
Conference on, 1234 - 1237, ISBN: 1-4244-1120-3
[6] An Automated System of Strabismus Management,
David Kaulr – Denis Stark – Kevin Starkt,
Investigative Ophthalmology & Visual Science, Vol. 30, No. 2, 276-287, February 1989
[7] Binocular Vision Impairments Therapy Supported by Contactless Eye-Gaze Tracking Systém,
Łukasz Kosikowski – Andrzej Czyżewski, K. Miesenberger et al. (Eds.):
ICCHP 2010, Part II, LNCS 6180, Springer-Verlag Berlin Heidelberg, pp. 373–376, 2010
[8] Computer Based System for Strabismus and Amblyopia Therapy,
Łukasz Kosikowski – Andrzej Czyżewski,
Proceedings of the International Multiconference Computer Science and Information
Technology, IMCSIT. VOLUME 4, 2009, pp. 493 – 496, ISBN 978-83-60810-22-4
[9] Three-Dimensional Hess Screen Test with Binocular Dual Search Coils in a Three-Field
Magnetic Systém,
Oliver Bergamin – David S. Zee – Dale C. Roberts – Klara Landau – Adrian G. Lasker – Dominik
Straumann,
Investigative Ophthalmology & Visual Science, March 2001, Vol. 42, No. 3, 660 – 667
[10] Umělá inteligence (1)
Vladimír Mařík – Olga Štěpánková – Jiří Lažanský a kolektiv
ACADEMIA, nakladatelství AV ČR 1993, ISBN 80-200-0496-3
154
[11] Umělá inteligence (2)
Vladimír Mařík – Olga Štěpánková – Jiří Lažanský a kolektiv
ACADEMIA, nakladatelství AV ČR 1995, ISBN 80-200-0504-8
[12] Umělá inteligence (5)
Vladimír Mařík – Olga Štěpánková – Jiří Lažanský a kolektiv
ACADEMIA, nakladatelství AV ČR 2007, ISBN 80-200-0502-1
[13] Ortoptika – metodika, princip přístrojů
Veronika Příkrá
MASARYKOVA UNIVERZITA, Lékařská fakulta, Bakalářská práce, Brno, duben 2010
[14] VYŠETŘOVÁNÍ BINOKULÁRNÍHO VIDĚNÍ U DĚTÍ
Lucie Křepelová, obor 5345 OPTOMETRIE
PŘÍRODOVĚDECKÁ FAKULTA UNIVERZITY PALACKÉHO V OLOMOUCI, KATEDRA OPTIKY
Bakalářská práce, 2010
[15] Strabismus
Daniela Horká, Optika – Optometrie
Masarykova univerzita v Brně, Lékařská fakulta, Bakalářská práce, Brno 2007
[16] Časopis: Česká optika, od roku 2005
[17] Manuály a návody na různé lékařské přístroje, rady a poznatky lékařů (nespecifikováno)
[18] Manuály a návody na Microsoft .NET Framework C#, WPF, Silverlight
[19] Learning from Multi-Label Data
G. Tsoumakas - Min-Ling Zhang - Zhi-Hua Zhou
Tutorial at ECML/PKDD’09 Bled, Slovenia 7 September, 2009, Tutorial at ECML/PKDD’09
[20] LIFT: Multi-label learning with label-specific features.
M.-L. Zhang.
In: Proceedings of the 22nd International Joint Conference on Artificial Intelligence (IJCAI'11),
Barcelona, Spain, 2011, in press.
155
15 Příloha A – Informovaný souhlas pacienta
Aplikace / programy pro domácí rehabilitaci strabismu
Souhlas s poskytnutím naměřených dat (nikoli osobních údajů) pro výzkumné účely.
Petr Novák ([email protected]), Katedra kybernetiky, FEL, ČVUT v Praze
V rámci projektu, jenž se zabývá výzkumem a vývojem (zejména) programových / SW nástrojů
pro optimální a efektivní rehabilitaci různých forem strabismu (šilhavosti) jsou postupně
vytvářeny programové / SW nástroje rovněž pro možnost domácí rehabilitace / léčby. Tyto
nástroje jsou dostupné na adrese http://nit.felk.cvut.cz/~dark/strabismus/strabismus.html.
Jedná se o nástroje vytvářené podle doporučení odborníků (oční lékaři, ortoptisti, další
specialisté), a jsou do nich postupně zahrnovány algoritmy umělé inteligence pro dosažení
adaptivnosti rehabilitačního procesu podle schopností pacienta a tím zkvalitnění léčby.
Do zmíněných programových nástrojů nejsou zadávány žádné osobní údaje. Uživatel / pacient
obdrží od svého lékaře (případně jiného pověřeného / odborného pracovníka) osobní
přístupový kód a heslo. Vytvořené programové nástroje jsou (v současné době) zcela přístupné
i bez uvedeného osobního kódu a hesla, ale v tomto případě žádná data (přesněji řečeno
výsledky testů) nejsou odesílány zpět (tedy lékaři). Programy se chovají jako volné / běžné
WWW aplikace. Teprve po zadání obdrženého přístupového osobního kódu a hesla jsou
výsledky (zatím pouze některých) testů automaticky odesílány zpět (lékaři) a v rámci projektu
budou zpracovávány. Cílem tohoto projektu je získat dostatečné množství (naměřených) dat
od uživatelů / pacientů pro následující činnost:
- Ověření správné činnosti vytvořených SW nástrojů. Zejména tedy spolehlivosti
základního automatického hodnocení úspěšnosti uživatele / pacienta pro danou úlohu.
- Poskytnout uživateli / pacientu prvotní zpětnou vazbu, například ve formě grafu.
- Možnost vytvoření „jistého“ modelu pacienta (podle stavu / schopností), jenž by
poskytoval informace lékaři o aktuálním stavu a (určitý) odhad vývoje rehabilitace.
- Schopnost adaptovat se na (zlepšující se) dovednosti uživatele / pacienta (nastavení
parametrů rehabilitačních úloh) a tím vytvořit proces rehabilitace účelný a optimální.
- Vytvořit podporu pro lékaře nejen při hodnocení dosud uskutečněného rehabilitačního
procesoru, ale rovněž pro rozhodování o směru (vývoji) další rehabilitace.
- Uživatelům zkrátit dobu léčby a současně ji zpříjemnět formou někdy i zábavných úloh.
Podpisem tohoto souhlasu a zadáním obdrženého osobního kódu a hesla uživatel / pacient
souhlasí se zasíláním výsledků úloh zpět (lékaři) pro možnost jejich hodnocení / zpracování za
účelem dalšího výzkumu a zdokonalení podle dříve uvedených bodů. Prosíme uživatele, aby
obdržené osobní kódy a hesla uchovali v „tajnosti“ a nikomu neposkytovali, protože jsou
(pouze) podle nich identifikovány výsledky jednotlivých úloh (pro identifikaci / zpracování
výsledků nejsou použity žádné osobní údaje) a při poskytnutí kódu a hesla další osobě (a
použití) může dojít nepřehlednosti výstupních dat.
Kdo vydal (lékař, odborný pracovník), datum
Pokusný pacient
Uživatel / pacient, podpis
0000000000
osobní kód
156
xxxxxxxxxx
přístupové heslo
16 Příloha B – Fotografie z lékařské ordinace
Obrázek 16.1: Příklad dvou pracovišť využívajících zde popisované nové SW diagnostické a rehabilitační nástroje,
FN nemocnice v Motole (nahoře) a Poliklinika Barrandov (dole)
Obrázek 16.2: Klasické, dosud stále využívané, lékařské diagnostické přístroje
(horní řádek – stereoskop, Worthova světla, Optotypy, kotouče do CAM stimulátoru)
(dolní řádek – Cheiroskop, obkreslovaní obrázků, CAM stimulátor)
157
17 Příloha C – Vytvořené aplikace
1) Aplikace pro diagnostiku strabismu a rehabilitaci. Tyto aplikace nejsou volně šířené,
protože některé lze používat pouze pod dohledem lékaře. Například CAM stimulátor
může u některých pacientů vyvolávat epileptický záchvat. Tyto aplikace jsou
samozřejmě na vyžádání od autora nebo jiného odborného pracovníka na projektu.
2) Aplikace pro domácí rehabilitaci. Vytvořeny jako webové aplikace a dostupné (červen
2011) na adrese http://nit.felk.cvut.cz/~dark/strabismus/strabismus.html. Lze je
využívat bez jakéhokoli omezení, jsou však primárně určeny pro rehabilitaci strabismu.
158