Ανάπτυξη υπολογιστικού μοντέλου προσομοίωσης του αναπνευστικού συστήματος του ανθρώπου

Abstract

Our main intention, through this dissertation, was to develop a computer simulation model for the human respiratory system. First of all, some basic aspects of modelling, simulation and biomodeling are presented. Furthermore, the current international status in the filed is discussed and the advantages of our effort are outlined. Moreover, the basic aspects of respiratory physiology are presented. So, a computer model to simulate and describe human respiratory system has been developed. The purpose of this system is to provide health professionals with a reliable tool they can use in the decision-making process and educate students. This model was developed considering the previous findings about respiratory system and some equations that were constructed to describe specific functions. The computer model utilized an interactive, graphical and user-friendly interface. For the complete organisation of this model the appropriate software packages were used according to the special demands of this development. This simulation environment is called ReSim (Respiratory Simulation) and consists of four parts and a main screen that leads to them. Each of the first three parts corresponds to a basic part of the respiratory and as a whole they simulate this system. In the last part the outcomes of the mathematical models of the system are compared to real data. The comparison is viewed in diagrams. Another target of our study was to develop a model for the prediction of some spirometric values. For this purpose we based on the artificial neural networks that offer such a potential. The basic characteristics of neural networks theory are mentioned in a special chapter in the dissertation. Normal lung function values are conventionally calculated according to prediction equations that use independent variables such as age, gender, height, and weight. In this study a different method is developed for the prediction of FVC and FEV1 parameters, in order to achieve better correlation of the predicted values to the real ones. Using a sample from the Greek elderly population that was separated into two groups (a training and a testing one), a number of artificial neural networks were trained. Considering that men and women were studied separately and that two parameters (FVC, FEV1) were the target of the study, four cases came up. In each case two neural networks were trained using different transfer functions, number of neurons and number of layers. When passing the inputs of the testing data set to the trained networks it was found that the outputs were well correlated with the corresponding measures of the sample. Furthermore, the match with the sample, for almost all the neural networks developed, was better compared to the matches of older studies that estimate parameter values using prediction equations. This high match allows the use of neural networks for predicting FVC, FEV1 and other spirometric parameters. The conclusions extracted from this study indicate the great potentials of computer simulation for biological human systems; the reliable results of neural modelling encourage us to perform further research in the field of prediction. Any shortcomings of our system could be corrected in the near future; pathological cases could be added; if necessary we could perform a closer debugging. All these could be enhanced in a new version.

Η κύρια πρόθεσή μας, σε αυτή τη διατριβή, ήταν να αναπτύξουμε ένα μοντέλο υπολογιστικής προσομοίωσης για το αναπνευστικό σύστημα του ανθρώπου. Πρώτα απ’ όλα, παρουσιάζονται κάποια βασικά στοιχεία για τη μοντελοποίηση, την προσομοίωση και τη βιομοντελοποίηση. Επιπλέον, η παρούσα διεθνής κατάσταση στο πεδίο συζητείται και τα πλεονεκτήματα της προσπάθειάς μας καθορίζονται. Ακόμα, τα βασικά χαρακτηριστικά της φυσιολογίας του αναπνευστικού παρουσιάζονται. Έτσι, αναπτύχθηκε ένα υπολογιστικό μοντέλο για την προσομοίωση και την περιγραφή του ανθρώπινου αναπνευστικού συστήματος. Ο σκοπός αυτού του συστήματος ήταν να παράσχει στους επαγγελματίες υγείας ένα αξιόπιστο εργαλείο που να μπορούν να χρησιμοποιήσουν στη διαδικασία λήψης απόφασης, αλλά και μια δυνατότητα εκπαίδευσης στους φοιτητές. Αυτό το μοντέλο αναπτύχθηκε με βάση τις προηγούμενες ανακαλύψεις για το αναπνευστικό σύστημα και μερικές εξισώσεις που αναπτύχθηκαν για να περιγράψουν συγκεκριμένες λειτουργίες. Το υπολογιστικό μοντέλο στηρίχτηκε σε ένα διαδραστικό, γραφικό και φιλικό σύστημα διεπαφής. Για την πλήρη οργάνωση αυτού του μοντέλου τα κατάλληλα πακέτα λογισμικού χρησιμοποιήθηκαν σύμφωνα με τις ειδικές απαιτήσεις αυτής της ανάπτυξης. Αυτό το σύστημα αποδίδεται με το λατινικό όρο ReSim (Respiratory Simulation) και αποτελείται από τέσσερα τμήματα και μια κύρια οθόνη που οδηγεί σε αυτά. Καθένα από τα τρία πρώτα τμήματα αντιστοιχεί σε ένα βασικό τμήμα του αναπνευστικού και συνολικά προσομοιώνουν αυτό το σύστημα. Στο τελευταίο τμήμα τα αποτελέσματα των μαθηματικών μοντέλων του συστήματος συγκρίνονται με πραγματικά δεδομένα. Η σύγκριση γίνεται με διαγράμματα. Ένας άλλος στόχος της μελέτης αυτής ήταν η ανάπτυξη ενός μοντέλου για την πρόβλεψη κάποιων σπιρομετρικών τιμών. Για σκοπό αυτό, βασιστήκαμε στα Τεχνητά Νευρωνικά Δίκτυα που προσφέρουν αυτή τη δυνατότητα. Τα βασικά χαρακτηριστικά της θεωρίας των Τεχνητών Νευρωνικών δικτύων παρουσιάζονται σε ένα ειδικό κεφάλαιο της διατριβής. Οι φυσιολογικές τιμές της αναπνευστικής λειτουργίας υπολογίζονται, παραδοσιακά, σύμφωνα με εξισώσεις πρόβλεψης που χρησιμοποιούν ανεξάρτητες μεταβλητές, όπως ηλικία, φύλο, ύψος και βάρος. Σε αυτή τη μελέτη μια διαφορετική μέθοδος αναπτύσσεται για την πρόβλεψη των σπιρομετρικών παραμέτρων FVC και FEV1, με σκοπό την επίτευξη καλύτερης συσχέτισης των προβλεπόμενων τιμών με τις πραγματικές. Χρησιμοποιώντας ένα δείγμα από τον πληθυσμό των Ελλήνων ενηλίκων που χωρίστηκε σε δύο ομάδες (μία εκπαίδευσης και μία ελέγχου), ένας αριθμός τεχνητών νευρωνικών δικτύων εκπαιδεύτηκαν. Θεωρώντας ότι οι άντρες και οι γυναίκες μελετήθηκαν ξεχωριστά και ότι οι δύο παράμετροι (FVC, FEV1) ήταν ο στόχος της μελέτης, τέσσερις περιπτώσεις προέκυψαν. Σε κάθε περίπτωση εκπαιδεύτηκαν δύο νευρωνικά δίκτυα χρησιμοποιώντας διαφορετικές συναρτήσεις μεταφοράς, αριθμό νευρώνων και αριθμό επιπέδων. Όταν περάσαμε τα δεδομένα εισόδου της ομάδας ελέγχου στα εκπαιδευμένα νευρωνικά δίκτυα βρέθηκε ότι τα αποτελέσματα συσχετίζονταν πολύ καλά με τις αντίστοιχες μετρήσεις από το δείγμα. Επιπλέον, το ταίριασμα με το δείγμα, για σχεδόν όλα τα νευρωνικά δίκτυα που αναπτύχθηκαν, ήταν καλύτερη συγκριτικά με το με τις αντίστοιχες συσχετίσεις παλαιότερων μελετών που υπολογίζουν τις τιμές των παραμέτρων με τις κλασικές εξισώσεις πρόβλεψης. Αυτή η ισχυρή συσχέτιση επιτρέπει τη χρήση των νευρωνικών δικτύων για την πρόβλεψη των τιμών των FVC, FEV1 αλλά και άλλων σπιρομετρικών παραμέτρων. Τα συμπεράσματα από αυτή τη μελέτη καταδεικνύουν τις μεγάλες δυνατότητες της υπολογιστικής προσομοίωσης για τα ανθρώπινα βιο-συστήματα. Παράλληλα, τα αξιόπιστα αποτελέσματα των νευρωνικών δικτύων μας ενθαρρύνουν να διεξάγουμε περισσότερη και πιο εντατική έρευνα στο πεδίο της πρόβλεψης τιμών. Οποιοδήποτε μειονέκτημα του συστήματός μας θα μπορούσε να διορθωθεί στο κοντινό μέλλον· παθολογικές περιπτώσεις θα μπορούσαν να προστεθούν· αν είναι αναγκαίο μπορούμε να εκτελέσουμε μια νέα αποσφαλμάτωση σε βάθος. Όλα αυτά θα μπορούσαν να ενταχθούν σε μια νέα έκδοση του συστήματος.