Медицинские экспертные системы - OXFORDST.RU

Медицинские экспертные системы

Медицинские экспертные системы

Что собой представляют экспертные системы, и какова их роль в сфере здравоохранения? Какие задачи они решают, и сможет ли компьютер однажды полностью заменить врача? Разбираемся, как устроена МЭС и чем она может быть полезна

Экспертная система (ЭС) – это одна из разновидностей технологии искусственного интеллекта; программа, которая имеет определенный набор знаний в конкретной области и может интерпретировать эти знания в решение поставленной задачи или рекомендацию.

В основе медицинских экспертных систем (МЭС) лежит врачебный опыт наблюдения и лечения пациентов с различными заболеваниями. Поскольку тяжесть недугов и степень врачебного вмешательства в каждом случае требуется разная, диапазон применения таких систем в медицине очень широк.

Какие задачи решают МЭС

К медицинским задачам, которые могут быть решены с помощью ЭС, относятся:

  • построение прогнозов о том, находится ли пациент в группе риска по той или иной патологии. Здесь работа идет на опережение болезни. Во многом это касается онкологических заболеваний, где выявление и лечение опухоли на ранней стадии в несколько десятков раз увеличивает шансы на полную ремиссию
  • назначение лабораторных и диагностических исследований на основании первичного анамнеза. Эту задачу можно рассматривать с точки зрения оптимизации материальных и технических ресурсов лечебного учреждения и экономии средств пациента на многократные тесты и анализы, в том числе с применением дорогостоящего медицинского оборудования
  • поддержка принятия врачебного решения – постановка и обоснование конкретного диагноза на основе клинической картины
  • выдача диагностического решения и оценка осложнений при критических и неотложных состояниях

Кто и где использует МЭС

Первой разработкой экспертного ПО в медицине считается система MYCIN («Мицин»). Она была создана специалистами Стэнфордского университета в начале 70-​хх для определения возбудителей тяжелых инфекционных болезней и расчета нужных доз антибиотиков. Эффективность программы оценивалась в 69% – в стольких случаях было назначено корректное лечение. Важно отметить, что этот показатель был даже выше, чем у врачей-​инфекционистов, которые участвовали в исследовании. К сожалению, MYCIN не получил практического применения из-​за несовершенства технологий того времени.

Сейчас существует много примеров успешной разработки и использования МЭС в медицинской практике. Среди них можно выделить систему диагностики детских неотложных состояний «ДИН» (Московское НИИ педиатрии и детской хирургии), программу «АЙБОЛИТ» для выявления, типологии и уточнения терапии острых нарушений циркуляции крови у детей (Национальный медицинский исследовательский центр сердечно-​сосудистой хирургии им. А.Н. Бакулева), систему определения ведущей патологии и сопутствующего лечения с удаленным мониторингом тяжелых пациентов «ДИНАР» (Санкт-​Петербургский государственный педиатрический медицинский университет, Свердловская областная детская клиническая больница, при участии сотрудников Института биофизики УроРАН).

Классификация экспертных систем

Хотя утвержденного разделения ЭС на классы не существует, можно выделить несколько общих категорий, которые описывают их функциональные особенности и область применения.

В зависимости от профиля решаемых задач, ЭС бывают:

  • диагностические
  • мониторинговые
  • проектные
  • прогностические
  • планирующие
  • обучающие
  • интерпретирующие
  • поддерживающие принятие решения

Также различают системы с традиционным и гибридным методами представления знаний. В первом случае ЭС руководствуется эмпирическими (опытными) моделями и логическими операциями первого порядка, где переменными являются предметы без их признаков и отношений между ними. Гибридные программы используют сразу несколько моделей мышления предметной области.

Еще экспертные системы делят по динамичности или по связи с реальным временем. Они могут быть статическими, динамическими или квазидинамическими, в зависимости от постоянства исходных данных, которые использует система. В квазидинамических ЭС изменения происходят интервально. Медицинские экспертные системы относятся к динамическому типу.

Компоненты МЭС

Любая экспертная система, вне зависимости от области ее применения, включает в себя следующие компоненты:

  • внешний интерфейс системы, с которым работает пользователь (диалоговый компонент)
  • рабочую память или базу данных – место для хранения информации по текущей задаче
  • базу знаний, в которой собраны все данные о предметной области и правила их обработки. Для понимания различий между базой данных и базой знаний можно привести следующий пример. Референсные интервалы уровня гемоглобина в крови для мужчин некоторой возрастной категории относятся к области базы знаний. Конкретные цифры анализа пациента – к рабочей памяти.
  • «решатель» или механизм осуществления логического вывода – компонент, который выполняет поставленную задачу, «применяя» базу знаний к исходным данным
  • компонент объяснения – показывает механизм и этапы решения поставленной задачи
  • компонент получения знаний – отвечает за ввод данных в базу знаний экспертом предметной области

Рассмотрим, как все эти компоненты взаимодействуют друг с другом на практике.

Постановка диагноза при помощи МЭС

Для того чтобы понять, как происходит постановка диагноза с помощью экспертной системы, попробуем разобрать принцип ее проектирования. Возьмем программу, задача которой состоит в определении риска развития заболевания.

Сначала выполняется сбор вводной информации об известных факторах, которые могут влиять на появление болезни, и их значимости. Это можно сделать, например, при помощи анкетирования пациентов с подтвержденным диагнозом, а также группы людей, у которых точно отсутствует рассматриваемая патология – в качестве контрольной группы. Далее методами многомерного анализа процедуру принятия решения по имеющимся исходным данным раскладывают на составляющие, воспроизводя аналитический процесс врача-​эксперта. На выходе получают некий набор признаков болезни (и ее отсутствия) и правил распределения пациентов между группами «риск» и «норма». Алгоритм тестируется на новой выборке и корректируется при выявлении ошибок. Итоговый набор правил вносится в базу знаний ЭС.

На приеме врач собирает анамнез (исходные данные) и вводит его в систему, используя персональный компьютер. Это может происходить в режиме диалога с программой (вопрос-​ответ) или выглядеть как заполнение определенной формы-​опросника, которая структурирует информацию для ЭС. Эти сведения попадают в рабочую память. Далее ЭС «прогоняет» их через логические правила, которые заложены в ее базу знаний, выдает ответ, с пояснением, как программа пришла к такому заключению. Пояснение может быть представлено как в графической, так и в письменной форме. Достоверность суждения экспертной системы выражается коэффициентом уверенности (K) – числовой характеристикой ложности или справедливости вывода. «K» находится в диапазоне от 1 до 0. Заключение ЭС может выглядеть следующим образом: «Пациент с низкой степенью уверенности (К=0,344) отнесен к группе риска по развитию атеросклероза». Или: «Пациент с высокой степенью уверенности (К=0,943) отнесен к группе риска по развитию атеросклероза. Рекомендовано УЗИ сердца».

По результатам назначенного исследования база знаний ЭС может быть дополнена новыми данными, которые будут использованы при диагностике следующих пациентов. Это происходит за счет компонента обучения. Чем объемнее база знаний системы, тем статистически более точными будут ее прогнозы, при условии достаточного технического обеспечения для обработки информационного массива.

Медицинская экспертная система способна оказать необходимую поддержку как узким специалистам, так и врачам общей практики или младшему медперсоналу. Профильные доктора могут использовать программу в качестве второго мнения, участковые и фельдшеры – как коллегу-​эксперта. Это будет оправдано, например, в удаленных регионах, где не хватает квалифицированных кадров.

Эволюция и внедрение экспертных систем непрерывно связаны с развитием технологий и смежных специальностей – программирование, инженерия знаний. Поэтому, возможно, в ближайшем будущем интеллектуальные системы в медицине и других практических областях будут применяться еще активнее.

Медицинские экспертные системы

[ На главную
(самую). ]

Горюшкин И.И. (научная статья)

Медицинские экспертные компьютерные системы: почему необходимо знать патогенез?

// Актуальные проблемы современной науки, 2004, ?4,- С.176-7.
Keywords, ключевые слова: экспертные системы медицинские, диагностика заболеваний, клинико-лабораторная диагностика, патогенез, биохимическое состояние, методология науки

______________________________

На основании анализа данных литературы и собственных исследований утверждается, что:

1) современная медицинская врачебная диагностика носит вероятностный характер и, поэтому, часто оказывается беспомощной, особенно, если у пациента имеется сразу несколько заболеваний;
2) именно биохимическая оценка состояния организма может привести к разработке объективных диагностических критериев патогенеза, как и к созданию медицинских экспертных систем нового поколения, основанных на знаниях патогенеза заболеваний.
=====================================

Деятельность врача, как известно, во многих отношениях сродни искусству. Она требует синтеза знаний и опыта всех предшествовавших поколений врачей. Отсюда — постоянно увеличивающийся объем профессионально необходимой информации. А это все настойчивее требует использования в профессиональной врачебной деятельности современных информационных технологий. Однако внедрение систем компьютерной информационной поддержки в работу врачей сталкивается с проблемой /Хай Г., 2001/, которая внешне может выглядеть как «непонимание. «.

1. Основной «недостаток» экспертных систем — это когда вы не знаете, зачем она вам нужна?

Как известно, эксперт — это специалист, обладающий знаниями и профессиональным опытом. Большинство существующих компьютерных экспертных систем (ЭС) обладают двумя основными «недостатками»: первый, это тот, что лично у вас ее нет; и второй — что лично вы не понимаете: как она работает? /Нейлор К., 1991/. Хотя у ЭС есть еще и третий «недостаток»: это когда вы не знаете — зачем вообще она может быть вам нужна?

Экспертная система, по сути — программа для компьютера, которая оперирует знаниями в определенной предметной области с целью выработки рекомендаций по решению стоящей перед вами проблемы /Джексон П., 2000/.

2. Медицинская диагностика: почему вероятностный подход?

В основе современных медицинских диагностических компьютерных ЭС лежат статистические методы и обучающие выборки. Однако ни статистические, ни эвристические алгоритмы не позволяют решать задачи классификации с необходимой степенью достоверности /Дубровин В.И., Субботин С.А., 2000/. Под эвристическими алгоритмами нами понимаются некие личные знания, основанные на собственном опыте, т.е. знания типа «ноу-хау».

Понятие диагностика — в медицинских руководствах определяется как методы и средства исследования для распознания заболевания и состояния больного с целью назначения необходимого лечения /Василенко В.Х., 1985/. К сожалению, медицинская диагностика, как и сама медицина, все еще остаются наукой «не во всех отношениях» точной. В силу чего врач вынужден принимать решения в условиях неопределенности. В результате — диагноз, поставленный на основании простых клинических данных, часто является — предположительным /Померанцев В.П., Курданов Х.А., 1988/.

Не случайно врачи-профессионалы на лекциях любят напоминать, что. окончательный диагноз может быть установлен лишь паталогоанатомом (т.е. на вскрытии). Но особенно беспомощной медицина оказывается, если у пациента имеется сразу несколько заболеваний /Власов В.В., 1988/.

3. Без знания патогенеза заболеваний невозможно разработать хорошую медицинскую экспертную систему.

Как заметил в своей книге по разработке ЭС уже цитированный нами автор: «Если вы ничего не знаете о какой-либо проблеме, вы не сможете это запрограммировать (курсив и выделение — наши, И.Г.). И вы сильно ошибаетесь, если считаете, что можно просто что-то загрузить в компьютер» /Нейлор К., 1991/.

Спрашивается, а не ошибаются ли тогда и те, кто в медицинскую ЭС все же пытается загрузить информацию, решающими правилами для которой располагает лишь паталогоанатом!?

В этой связи думается, что реальная медицинская диагностическая ЭС должна опираться не на вероятностные, пусть и статистически значимые, диагнозы экспертов-профессионалов, а на объективные знания о патогенезе заболеваний. И если мы мало что еще знаем о патогенезе многих заболеваний, то — как мы собираемся это запрограммировать?!

4. Новое поколение медицинских диагностических ЭС — на основе знаний патогенеза заболеваний и оценки «биохимических состояний».

Патогенез, как известно — внутренний механизм возникновения и развития патологических процессов, определяющих клиническую картину заболевания (на физиологическом, биохимическом, физико-химическом и молекулярном уровнях). Следовательно, патогенез — это не столько симптомы и синдромы, сколько конкретные физико-химические и молекулярные процессы, сопровождающие заболевание.

Наш опыт использования компьютерной медицинской диагностической ЭС («Клинико-диагностическая система биохимических лабораторных показателей» — Горюшкин И.И., Запорожченко В.Г.; Москва, 1996-1999 гг. — научно-исследовательская версия; данные обследования 138 мальчиков-подростков /Горюшкин И.И., 1999/) показал, что по исследованному набору биохимических параметров (более 20-ти) практически не удается обнаружить и двух подростков, имеющих одинаковые «биохимические состояния».

Это дает нам основание утверждать, что именно биохимическая оценка состояния организма может привести к разработке объективных диагностических критериев патогенеза заболеваний /Горюшкин И.И., 1993/ и, на этой основе — к разработке новых медицинских диагностических ЭС, основанных на знаниях патогенеза.

Список использованной литературы:

1. Василенко В.Х. (1985) Введение в клинику внутренних болезней. М.: Медицина, 1985. -256с.

2. Власов В.В. (1988) Эффективность диагностических исследований. М.: Медицина, 1988. -256с.

3. Горюшкин И.И. (1999) Подростки и наркомания: обоснованность тревоги (результаты оценки состояния ферментно-метаболических систем мальчиков-подростков, подозреваемых в употреблении наркотических веществ) //В сб.: Проблемы современной наркологии и психиатрии в России и за рубежом: Теория и практика: Обмен опытом. /Под ред. Т.В. Чернобровкиной, М.: РГМУ, 1999. -С.284-287.

4. Горюшкин И.И. (1993) Трансферазы сыворотки крови как диагностические показатели при алкоголизме //Дисс. на соискание степени канд. биол. наук, М., 1993. -104с.

5. Джексон П. (2000) Введение в экспертные системы: Пер с англ., 3-е изд., М., Спб., Киев: Издат. дом «Вильямс», 2000. -624с.

6. Дубровин В.И., Субботин С.А. Программный комплекс нейросетевой диагностики //Программные продукты и системы, 2000.-?3. -С.21-23.

7. Нейлор К. (1991) Как построить свою экспертную систему: Пер. с англ., М.: Энергоатомиздат, 1991. -286с.

8. Померанцев В.П., Курданов Х.А. (1988) Рациональная диагностика и лечение в клинике внутренних болезней. Нальчик: Эльбрус, 1988. -172с.

Медицинские экспертные системы: что это такое?

Экспертные системы (ЭС) начали разрабатываться ещё в 70-х годах прошлого века исследователями искусственного интеллекта, а первыми предпосылками в этой области стали т.н. «интеллектуальные машины», разработанные Семёном Корсаковым в 1832-м году, и способные находить решения задач по заданным условиям.

Современные экспертные системы представляют собой компьютерные программы, которые могут проводить анализ на основе определённых исходных данных и способные заменять специалистов узкого профиля в проблемных ситуациях. Сами системы рассматриваются как модели поведения экспертов, и, как и эксперты-люди, в своей работе используют знания. Только для ЭС «знания» представлены в виде баз знаний (формализованных совокупностей фактов и правил логического вывода в определённых областях), которые можно изменять и дополнять.

Поиск решения может осуществляться с помощью нескольких различных подходов:

  • логическими методами (направленными на создание экспертных систем с логическими моделями баз знаний);
  • математическими методами (имитационным и аналитическим);
  • эвристическими (не имеющими строгого обоснования) методами;
  • гибридными методами.

Упрощенная схема любой экспертной системы выглядит примерно так:

Процесс же создания любой экспертной системы всегда состоит из нескольких шагов. Первым шагом является определение проблем, целей разработки и задач, которые будут решаться. На этом же этапе определяются типы пользователей и эксперты. Вторым шагом является анализ той области знаний, с которой будет работать ЭС, т.е. определяются понятия и их взаимосвязи, рассматриваются методы решения поставленных задач. Третьим шагом является структурирование знаний (моделируется работа системы, формализуются основные понятия, определяются способы интерпретации, представления и управления знаниями). Четвёртый шаг — формализация, т.е. заполнение базы знаний. Пятый шаг — это непосредственно реализация экспертной системы, а шестой и последний шаг — тестирование ЭС.

На сегодняшний день в сфере искусственного интеллекта разработка ЭС является одним из самых перспективных направлений. Экспертные системы находят применение в таких областях как военное дело, медицина, навигация, микроэлектроника и т.д. Применение таких систем особенно актуально в областях, в которых существует опасность для жизни или здоровья людей-специалистов.

В этой статье мы будем подробно рассматривать медицинские экспертные системы.

ЭС на сегодняшний день играют очень важную роль в развитии здравоохранения в целом, и служат для того, чтобы обеспечивать систематическую помощь медицинскому персоналу в случае возникновения спорных и проблемных ситуаций в вопросах лечения пациентов. Медицинские ЭС способны решать не только задачи диагностики, но и помогать в прогнозировании течения болезней, в выборе тактики их лечения. В каких же именно ситуациях могут помочь экспертные системы?

ЭС, как правило, применяются в той ситуации, когда возникают проблемы следующего характера:

  • Исходные данные, представленные экспертам, неоднозначны либо противоречивы.
  • Невозможно определить алгоритм однозначного решения задачи классическими методами.
  • Задача не может быть представлена в числовой форме.

Итак, если проблема характеризуется каким-либо (или несколькими) из вышеперечисленных факторов, то для её разрешения целесообразно применение экспертной системы.

Медицинские проблемы, как правило, обладают именно такими свойствами, т.к. исходные данные представлены зачастую большим количеством запутанных и, возможно, противоречивых клинических данных.

К проектированию экспертных систем существуют различные подходы и методы, однако среди разработчиков медицинских ЭС на данный момент одним из наиболее приоритетных направлений является разработка так называемых самообучающихся интеллектуальных систем (СИС), а конкретнее — искусственных нейронных сетей.

Искусственные нейронные сети (ИНС) — это математические модели и их программные (или аппаратные) реализации, которые строятся по образу биологических нейронных сетей (сетей нервных клеток живого организма, которые объединены в нервной системе). Иными словами, ИНС — это системы для обработки информации, которые основаны на моделировании функций работы живого мозга.

ИНС отличаются тем, что представляют собой нелинейные системы, что даёт возможность обрабатывать и анализировать данные на порядок более качественно, нежели с помощью линейных методов. Еще одно преимущество нейронных сетей перед классическими алгоритмами — это возможность обучения. Нейронные сети не программируются в классическом понимании этого слова, а обучаются на конкретных примерах. Фактически, система, «тренируясь» на н-ном количестве заданных примеров, обобщает получаемую в процессе информацию и вырабатывает реакцию по отношению к данным, которые не участвовали непосредственно в процессе обучения системы. Обучение ИНС состоит в нахождении связей между элементами системы.

Таким образом, ИНС могут принимать решения, основываясь не только на изначально заложенных в них данных, но и на выявляемых ими скрытых закономерностях.

Примерная схема применения ИНС в медицине выглядит так:

А схема строения выглядит так:

В основе любой искусственной нейронной сети лежат однотипные простейшие элементы, функцией которых является имитация работы нейронов. Как и клетки головного мозга, каждый искусственный «нейрон» имеет группу «синапсов». В случае ИНС «синапсами» являются односторонние входные связи, которые соединяются с выходами других «нейронов». Также искусственные «нейроны» обладают «аксонами» (выходной связью, с помощью которой сигналы поступают на «синапсы» иных нейронов).

Как уже упоминалось, работа ИНС изначально основывалась на моделях биологических систем обработки информации, которые способны на параллельную обработку данных. Соответственно, для искусственных сетей также характерен этот принцип. Такой эффект достигается благодаря тому, что в сети большое количество элементов-«нейронов» объединены в т.н. слои, которые, в свою очередь, объединены между собой.

Резонно заметить, что чем сложнее искусственная нейронная сеть, тем более сложные задачи она может решать. Тем не менее, количество нейронов и их слоёв в сети ограничивается мощностью компьютера.

Как уже упоминалось, разработка ИНС является одним из самых перспективных направлений в области использования экспертных систем в медицине. Тем не менее, это не единственная применяемая технология.

Ещё одна технология, которая используется для обработки информации, с целью обнаружения новых интерпретаций знаний для решения задач прогнозирования и классификации — это Data Mining. В русском языке это понятие определяется как «обнаружение знаний в базах данных». Фактически, можно сказать, что Data Mining — это процесс обнаружения в исходных данных ранее неизвестных интерпретаций знаний, скрытых закономерностей.

Стоит сказать, что средства Data Mining доступны даже для людей, которые не имеют глубокой математической подготовки, благодаря гибким алгоритмам визуализации.

Методы Data Mining позволяют выявлять несколько типов закономерностей:

  • Классификация. С её помощью возможно выявлять признаки, которые характеризуют группу, к которой можно отнести рассматриваемый объект. В данном случае это происходит на базе анализа уже классифицированных объектов.
  • Кластеризация. По сути, та же классификация, однако группы, к которой принадлежат анализируемые объекты, не являются заданными, т.е. группы данных выделяются непосредственно с помощью средств Data Mining.
  • Ассоциация. Определяется в том случае, если имеется несколько событий, связанных друг с другом.
  • Последовательность. Определяется в том случае, если есть целая цепочка связанных друг с другом событий.
  • Прогнозирование. Основой для прогнозирования является информация, которая хранится в базах данных. Построение математических моделей позволяет предсказывать поведение системы в будущем.

В основе Data Mining лежат различные методы и алгоритмы: деревья решений, метод ближайшего соседа, байесовские сети, линейная регрессия, корреляционный анализ, регрессионный анализ, кластерный анализ, методы поиска ассоциативных правил, генетические алгоритмы, метод опорных векторов и др.

В данной статье мы чуть более подробно рассмотрим метод опорных векторов (МОВ), так как именно он является наиболее гибким, и зачастую используется при создании медицинских ЭС.

Метод опорных векторов — это метод классификации (относится к бинарным классификаторам), который разделяет объекты с разной классовой принадлежностью с помощью плоскости решений (гиперплоскости).

С помощью линии разделяются объекты с разными признаками: жёлтые и коричневые. Линия задаёт границу, и любой объект, который попадает по правую сторону от линии, классифицируется как «коричневый», а любой по левую — как «жёлтый». Целью данного метода является нахождение плоскости, которая разделяет два множества объектов с различными признаками.

Изобразить это можно примерно так:

Далее находятся объекты, которые лежат на границах между двумя классами (областями). Эти объекты и называются опорными векторами, и именно они используются для принятия решений системой о принадлежности новых предоставляемых для распознавания объектов к какому-либо классу:

Решение задач классификации с помощью МОВ сводится к поиску некоей линейной функции, которая разделяет весь набор данных на два класса. Одним из недостатков данного метода является то, что не всегда возможно найти линейную границу между двумя классами рассматриваемых объектов.

На сегодняшний день существует великое множество экспертных систем, работающих на базе различных методов и использующихся во многих областях медицины. Однако общей чертой медицинских ЭС (в особенности, если говорить об обучающихся системах) можно выделить отсутствие единой технологии их создания. В большинстве своём, в разработках и уже в полноценно работающих системах, в основе лежат различные алгоритмы функционирования. Как следствие, для каждой задачи, как правило, необходимо разрабатывать собственную архитектуру.

Стоит сказать о том, что, несмотря на то, что использование экспертных систем в медицине позволяет выйти на новый уровень в процессе решения таких проблем как диагностика и прогнозирование течения болезни, имеется и психологический аспект использования ЭС. Поскольку врач несёт огромную ответственность за свои решения, для него очень важно быть уверенным в действиях, своих, или же подсказываемых ему со стороны.

Таким образом, с одной стороны, ЭС в медицине могут существенно облегчить процесс принятия решений врачом, особенно в нестандартных ситуациях, осуществлять более полный и точный анализ данных, помочь в том случае, когда необходимо принять решение оперативно, уменьшить число ошибок, связанных с человеческим фактором. С другой же стороны, подобная система сможет стать полезным инструментом лишь в руках эксперта, и ни в коем случае не сможет полностью заменить врача.

Экспертные системы в области медицины

Автор: Пользователь скрыл имя, 08 Марта 2013 в 04:13, курсовая работа

Краткое описание

В последнее время неуклонно возрастает значение информационного обеспечения различных медицинских технологий. Использование современных информационных технологий становится критическим фактором развития большинства отраслей знания и областей практической деятельности, поэтому разработка и внедрение информационных систем является одной из самых актуальных задач.

Файлы: 1 файл

экспертные системы в области медицины.doc

Кафедра прикладной информатики и информационных систем

Факультет экономики менеджмента и информационных технологий

Курсовая работа на тему: «Экспертные системы в области медицины»

Выполнила: студентка гр.2341

Проверил: доц. Сысоев Д.В.

Введение

В последнее время неуклонно возрастает значение информационного обеспечения различных медицинских технологий. Использование современных информационных технологий становится критическим фактором развития большинства отраслей знания и областей практической деятельности, поэтому разработка и внедрение информационных систем является одной из самых актуальных задач.

В медицинских учреждениях большинство персональных компьютеров применяется лишь для обработки текстовой документации, хранения и обработки баз данных, ведения статистики и выполнения финансовых расчетов. Отдельная, специализированная часть машин используется совместно с различными диагностическими и лечебными приборами.

Во многих лечебно-диагностических технологиях возможности современных компьютеров практически не используются. Прежде всего, это диагностика, назначение лечебных мероприятий, прогнозирование течения заболеваний и их исходов. Основными причинами недостаточно полного использования современных компьютерных технологий в медицине являются слабо развитая техническая база, недостаточный уровень подготовки участников этих технологий в области современного аппаратного и программного обеспечения, плохая оснащенность специализированными пакетами прикладных программ и др. Большое значение имеет психологический аспект применения компьютерных приложений. Это серьезная причина, связанная с особенностями работы врача. Врач является исследователем, его работа носит творческий характер, однако он несет прямую ответственность за результат своей деятельности. Принимая решение о диагнозе или лечении, он опирается на знания и опыт – свои собственные и коллег, являющихся для него авторитетом. Очень важно при этом обоснование решения, особенно если оно подсказывается со стороны.

Современные технические возможности позволяют выйти на качественно новый уровень представления течения заболевания, а именно визуально, на основе соответствующих математических моделей, пространственно смоделировать типовое развитие патологического процесса при конкретном заболевании. Уже сейчас, на современном этапе развития медицины, информационные нагрузки достигают пределов человеческих возможностей. Возникает дилемма: либо приходится жертвовать полнотой анализа информации, либо необходимо шире использовать различные методы компьютерной поддержки принятия решений.

Глава 1. Определение экспертных систем. Главное достоинство и назначение экспертных систем.

    1. Определение экспертных систем.

Экспертные системы (ЭС)- это яркое и быстро прогрессирующее направление в области искусственного интеллекта(ИИ). Причиной повышенного интереса, который ЭС вызывают к себе на протяжении всего своего существования является возможность их применения к решению задач из самых различных областей человеческой деятельности. Пожалуй, не найдется такой проблемной области, в которой не было бы создано ни одной ЭС или по крайней мере, такие попытки не предпринимались бы.

ЭС- это набор программ или программное обеспечение, которое выполняет функции эксперта при решении какой-либо задачи в области его компетенции. ЭС, как и эксперт-человек, в процессе своей работы оперирует со знаниями. Знания о предметной области, необходимые для работы ЭС, определенным образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться и дополняться в процессе развития системы.

ЭС выдают советы, проводят анализ, выполняют классификацию, дают консультации и ставят диагноз. Они ориентированы на решение задач, обычно требующих проведения экспертизы человеком-специалистом. В отличие от машинных программ, использующий процедурный анализ, ЭС решают задачи в узкой предметной области (конкретной области экспертизы). Такие системы часто оказываются способными найти решение задач, которые неструктурированны и плохо определены. Они справляются с отсутствием структурированности путем привлечения эвристик, т. е. правил, взятых “с потолка”, что может быть полезным в тех системах, когда недостаток необходимых знаний или времени исключает возможность проведения полного анализа.

Главное достоинство ЭС- возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов. Накопление знаний позволяет повышать квалификацию специалистов, работающих на предприятии, используя наилучшие, проверенные решения.

Практическое применение искусственного интеллекта на машиностроительных предприятиях и в экономике основано на ЭС, позволяющих повысить качество и сохранить время принятия решений, а также способствующих росту эффективности работы и повышению квалификации специалистов.

1.2. Отличие ЭС от других программных продуктов.

Основными отличиями ЭС от других программных продуктов являются использование не только данных, но и знаний, а также специального механизма вывода решений и новых знаний на основе имеющихся. Знания в ЭС представляются в такой форме, которая может быть легко обработана на ЭВМ. В ЭС известен алгоритм обработки знаний, а не алгоритм решения задачи. Поэтому применение алгоритма обработки знаний может привести к получению такого результата при решении конкретной задачи, который не был предусмотрен. Более того, алгоритм обработки знаний заранее неизвестен и строится по ходу решения задачи на основании эвристических правил. Решение задачи в ЭС сопровождается понятными пользователю объяснениями, качество получаемых решений обычно не хуже, а иногда и лучше достигаемого специалистами. В системах, основанных на знаниях, правила (или эвристики), по которым решаются проблемы в конкретной предметной области, хранятся в базе знаний. Проблемы ставятся перед системой в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью базы знаний пытается вывести заключение из этих фактов.

У полностью оформленной экспертной системы присутствуют 4 основных компонента (блока):

База знаний содержит факты или утверждения и правила. Факты являются краткосрочной информацией, они могут изменяться в ходе одного сеанса работы. Правила составляют долговременную информацию о том, как порождать новые факты на основе известных данных. Отличие базы знаний от базы данных состоит в механизме пополнения информации недостающими фактами. Распространенным методом отображения знаний являются правила продукций. При этом правила имеют вид ЕСЛИ — ТО, например, ЕСЛИ у пациента высокая температура, ТО вероятность того, что у него ОРВИ, следует умножить на 5. Кроме правила продукций используются деревья решений, семантические сети и исчисление предикатов.

  • Машина вывода

Машина вывода — это высокоуровневый интерпретатор, который осуществляет цепочку рассуждений на основе фактов и правил базы знаний, и который приводит к конечному решению. Машина вывода обычно имеет дело с ненадежными знаниями. Одна из проблем — работа с ненадежной информацией. В настоящее время найдены способы решения этой задачи: нечеткая логика, байесовская логика, коэффициенты уверенности. Эти способы дают на практике вполне приемлемые результаты.

  • Модуль извлечения знаний

Извлечение знаний является трудоемким процессом. Знания сами по себе — дорогой ресурс, который сложно представить в простой для использования в компьютере форме. Обычный способ извлечения знаний состоит в том, что специалист по технологии экспертных систем опрашивает специалистов, знания которых добавляются в экспертную систему, добиваясь правильного представления их знаний в компьютере. Это долгий и дорогой процесс. В настоящее время ведутся интенсивные работы по автоматизации процесса извлечения знаний. Появилось новое поколение систем — самообучающиеся системы, которые уже нельзя назвать экспертными системами в точном понимании этого слова, т. к. они уже не используют знания экспертов. Процесс принятия решения в таких системах трудно понять человеку (не удается построить блок объяснения решения). Сейчас интенсивно развиваются системы, основанные на технологии нейронных сетей, которые используют этот принцип.

Качество ЭС определяется размером и качеством базы знаний (правил или эвристик). Система функционирует в следующем циклическом режиме: выбор (запрос) данных или результатов анализов, наблюдения, интерпретация результатов, усвоение новой информации, выдвижении с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов (рис.1). Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.

рис.1 Схема работы ЭС.

В любой момент времени в системе существуют три типа знаний:

— Структурированные знания- статические знания о предметной области. После того как эти знания выявлены, они уже не изменяются.

— Структурированные динамические знания- изменяемые знания о предметной области. Они обновляются по мере выявления новой информации.

— Рабочие знания- знания, применяемые для решения конкретной задачи или проведения консультации.

Все перечисленные выше знания хранятся в базе знаний.

1.3. Отличительные особенности. Экспертные системы первого и второго поколения.

1. Экспертиза может проводиться только в одной конкретной области. Так, программа, предназначенная для определения конфигурации систем ЭВМ, не может ставить медицинские диагнозы.

2. База знаний и механизм вывода являются различными компонентами. Действительно, часто оказывается возможным сочетать механизм вывода с другими базами знаний для создания новых ЭС. Например, программа анализа инфекции в крови может быть применена в пульманологии путем замены базы знаний, используемой с тем же самым механизмом вывода.

4. Эти системы могут объяснять ход решения задачи понятным пользователю способом. Обычно мы не принимаем ответ эксперта, если на вопрос “Почему ?” не можем получить логичный ответ. Точно так же мы должны иметь возможность спросить систему, основанную на знаниях, как было получено конкретное заключение.

5. Выходные результаты являются качественными (а не количественными).

6. Системы, основанные на знаниях, строятся по модульному принципу, что позволяет постепенно наращивать их базы знаний.

Компьютерные системы, которые могут лишь повторить логический вывод эксперта, принято относить к ЭС первого поколения. Однако специалисту, решающему интеллектуально сложную задачу, явно недостаточно возможностей системы, которая лишь имитирует деятельность человека. Ему нужно, чтобы ЭС выступала в роли полноценного помощника и советчика, способного проводить анализ нечисловых данных, выдвигать и отбрасывать гипотезы, оценивать достоверность фактов, самостоятельно пополнять свои знания, контролировать их непротиворечивость, делать заключения на основе прецедентов и, может быть, даже порождать решение новых, ранее не рассматривавшихся задач. Наличие таких возможностей является характерным для ЭС второго поколения, концепция которых начала разрабатываться 9-10 лет назад. Экспертные системы, относящиеся ко второму поколению, называют партнерскими, или усилителями интеллектуальных способностей человека. Их общими отличительными чертами является умение обучаться и развиваться, т.е. эволюционировать.

В экспертных системах первого поколения знания представлены следующим образом:

1) знаниями системы являются только знания эксперта, опыт накопления знаний не предусматривается.

2) методы представления знаний позволяли описывать лишь статические предметные области.

3) модели представления знаний ориентированы на простые области.

Представление знаний в экспертных системах второго поколения следующее:

1) используются не поверхностные знания, а более глубинные. Возможно дополнение предметной области.

2) ЭС может решать задачи динамической базы данных предметной области.

Экспертные Медицинские Системы

Экспертные медицинские системы предназначены для обеспечения оперативной и систематической помощи медицинскому персоналу в разрешении проблемных ситуаций и принятии решений по вопросам лечения пациентов. Экспертные системы строятся на базе законов, регламентов, национальных рекомендаций и правил, принятых в медицинском учреждении. Функционал таких систем состоит из следующих важнейших комплексных составляющих: модуля сбора и хранения экспертных данных и модуля генерации необходимых экспертных решений.

Компания «АБ Систем-Групп» обладает опытом создания и внедрения медицинских экспертных систем в технологические процессы как российских, так и зарубежных организаций. При разработке и модернизации программных комплексов специалисты компании обращаются к российским, европейским и американским консультантам в сфере медицинской экспертизы. Кроме того, каждое экспертное программное решение создается и моделируется в соответствии с индивидуальными требованиями заказчиков.

Экспертные медицинские системы обладают следующими характеристиками:

  • Способность работать в рамках различных предметных областей.
  • Возможность предоставления решений и ответов при наличии исходных данных, сформулированных с той или иной степенью допущения. • Объяснение цепочек предложенных рассуждений и заключений.
  • Наличие механизма формирования разграниченных выводов.
  • Генерация не только диагноза, рекомендаций или советов, касающихся отдельных случаев, но и возможность формулирования предположений о том, что произошло с исследуемым объектом.
  • Возможность постепенного расширения и модернизации функционала системы.

В качестве примеров экспертных систем, созданных специалистами «АБ Систем-Групп» по заказу различных медицинских учреждений, можно привести следующие программные решения:

  • Электронное Управление Приемом Медикаментов – это система, использующая технологию считывания специально установленных штрих-кодов для обеспечения всестороннего контроля процессов оказания медицинских услуг. Данная технология позволяет добиться предельной точности в расчетах доз препаратов, а также в соблюдении периодичности и длительности их применения, в результате чего гарантируется безопасность пациентов и максимальное снижение вероятности возникновения медицинских ошибок, связанных с человеческим фактором.
  • Система Практического Управления – это информационная система, служащая для автоматизированного составления планов и программ лечения, порядка посещения врачей, проведения анализов и прочих исследований, а также контроля выполнения данных планов и программ.
  • Система Расчета Жидкостного Баланса – программный комплекс, предназначенный для управления лечением новорожденных пациентов, которым требуется оказание срочного послеродового лечения. Спецификой организации такого процесса являются условия назначения и приема медикаментов: они должны использоваться только в жидком виде, с учетом соотношения количества жидкости и лекарственных препаратов, сам процесс ввода лекарства должен быть строго регламентирован и проводиться в соответствии со строжайшим учетом существующих в данной сфере норм и регламентов.

Наиболее эффективной работе экспертных медицинских систем способствует наличие в медицинском учреждении автоматизированной учетной системы, содержащей данные историй болезней пациентов. В качестве такой системы может выступать ПК «ЭПИКО – Учетная медицинская система», специально разработанная специалистами компании «АБ Систем-Групп» для выполнения обозначенных функций, или другой коммерческий информационный продукт в интеграции с тем или иным из предлагаемых экспертных решений.

Автоматизированные экспертные системы максимальным образом снижают количество ошибок и других рисков, возникающих при организации и проведении медицинского обслуживания. Внедрение описанных программных комплексов способствует облегчению процесса принятия решений как руководящим составом, так и медицинским персоналом на местах. Система также позволяет принимать решения в нестандартных ситуациях, предоставляя для этого самую актуальную информацию, доступную на текущий момент: рекомендации экспертов, результаты клинических исследований, опыт врачей в решении казуистических ситуаций, выдержки из законодательства и т.п.

Понравилась статья? Поделиться с друзьями:
Добавить комментарий

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: