Интеллектуальные системы в клинической медицине. Синтез плана лечения на основе прецедентов

Содержание

 

Введение…………………………………………………………………….…………..2

1. Общая схема планирования на основе прецедентов………………………………4

2. Применение индуктивных  методов машинного обучения для

автоматического порождения правил по примерам и прецедентам………...............5

3. Особенности использования систем правил для диагностики и

планирования лечения  на основе прецедентов…………………………………….....8

3.1. Поиск подходящего прецедента……………………………………………9

3.2. Адаптация прецедентов………………………………………………..….10

Заключение…………………………………………………………………………….14

Литература……………………………………………………………………………..15

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Введение

В работе рассматривается  метод синтеза плана лечения  на основе прецедентов.

Применение методов искусственного интеллекта в медицине обычно связывают  с возникновением экспертных систем в середине восьмидесятых годов  прошлого века как результата 30-летнего  академического периода исследований в области искусственного интеллекта. Основополагающие соображения на этот счет высказал Э.Фейгенбаум на 5-й Объединенной конференции по искусственному интеллекту в 1977 году. Суть их состояла в том, что специалисты достигают высоких результатов, накапливая знания и опыт; если же интеллектуальные программы будут организованы так, что смогут действовать подобным образом, то и они смогут достичь высоких результатов.

Одной из первых систем, использовавших знания для решения задач, была экспертная система DENDRAL, разработанная в Стэнфордском университете и предназначенная для порождения формул химических соединений на основе спектрального анализа. В настоящее время DENDRAL поставляется покупателям вместе со спектрометром. Первой собственной медицинской экспертной системой стала система MYCIN, предназначенная для диагностики и лечения инфекционных заболеваний крови.

Система CASNET предназначена для диагностики и выбора стратегии лечения глаукомы. Система DXplain – пример интеллектуальной системы поддержки клинических решений, используется для ассистирования в процессе диагностики и содержит в своей базе знаний симптомы, лабораторные данные и процедуры, связывающие их со списком диагнозов. Она обеспечивает поддержку и обоснование дифференциальных диагнозов и последующих исследований. В её базе данных содержится 4500 клинических манифестаций, которые связаны ассоциативными связями более чем с 2000 различных нозологий. 

Система Germwatcher была разработана в помощь больничному эпидемиологу. Содержит большой объем данных по различным микробиологическим культурам. Включает базу знаний, основанную на правилах, которая используется для генерации гипотез о возможных инфекциях. 

Система PEIRS интерпретирует и комментирует отчеты по химическим патологиям. В систему встроен модуль автоматического машинного обучения, который позволяет патологу создавать новые правила без участия инженера по знаниям. В настоящее время создано 2300 таких правил. На построение каждого нового правила требуется около минуты. Ежедневно система комментирует 100 отчетов в области газового состава артериальной крови, теста толерантности глюкозы и др. Система Puff предназначена для интерпретации результатов функционального пульманологического теста. Она использует прецедентную информацию; в её базе прецедентов содержатся десятки тысяч случаев. Имеется коммерческая версия системы, несколько сотен копий которой внедрено в ряде стран. 

Среди отечественных разработок отметим систему для синдромной диагностики неотложных состояний у детей ДИН, созданную в Московском НИИ педиатрии и детской хирургии. Эта система содержит информацию о 42 синдромах, которые представляют собой список диагностических предложений-гипотез. Так как выбор лечения во многом определяется прогнозом возможных осложнений, в системе описаны взаимосвязи синдромов, определяемые причинно-следственными, временными и ассоциативными отношениями. 

Программный комплекс Айболит предназначен для диагностики, классификации и коррекции терапии острых расстройств кровообращения у детей. Он создан в Центре сердечно-сосудистой хирургии имени А.Н. Бакулева и активно применяемый при оперативных вмешательствах и выборе послеоперационного лечения в условиях реанимационного отделения. Система включает математическую модель кровообращения, «реагирующую» на поступающую с датчиков текущую информацию. Она позволяет не только проводить диагностику и оценку состояния больного, но и помогать при выборе и последующей коррекции лечебных мероприятий. 

Система HELP – полная госпитальная информационная система, основанная на технологиях искусственного интеллекта. Она поддерживает не только стандартные функции госпитальных информационных систем, но функции поддержки принятия решений. Эти функции инкорпорированы в рутинные приложения госпитальной системы. Они поддерживают клинический процесс тревожными сигналами и напоминаниями, интерпретацией данных, выработкой предложений по управлению процессом лечения и клиническими протоколами. Эти функции могут активироваться из обычных приложений или включаться самостоятельно после ввода клинических данных в компьютерную историю болезни.

Отметим ещё систему SETH, область применения которой – токсичность лекарственных средств. Система основана на моделировании экспертных рассуждений, берущих в расчет для каждого токсикологического класса клинические симптомы и применяемые дозы. Система выполняет мониторинг лечебного процесса, направленный на контроль взаимодействия взаимоисключения лекарств. 

Итак, сегодня технологии искусственного интеллекта применяются в самых различных областях клинической медицины. Кратко охарактеризуем эти области. 

Подача тревожных  сигналов и напоминаний. Речь идет о мониторинге пациентов в реальном времени посредством прикроватных мониторов. Экспертные системы встраиваются в такие мониторы и оценивают состояния пациентов и их изменения. Они могут также напоминать о необходимости или порядке приема лекарств и посылать напоминания, например, по электронной почте. 

Ассистирование в процессе диагностики. В сложных случаях или в случаях недостаточного опыта диагноста соответствующая экспертная система может оказать помощь на основе исследования данных о пациенте. 

Поиск подходящих случаев (прецедентов). Например, в интернете или в локальной базе данных. Такая интеллектуальная система (агент) должна обладать знаниями об основных характеристиках пациента и понимать, что в каждом случае означает слово «подходящий». 

Контроль и  планирование терапии. Интеллектуальная система может контролировать неполноту, ошибки существующего лечебного процесса или недостаточный учет специфических характеристик пациента в принятом плане лечения. 

Распознавание и  интерпретация образов. Достаточно большое число медицинских образов допускают автоматическую интерпретацию: от плоских рентгеновских снимков до более сложных образов наподобие ангиограмм и результатов томографических исследований. 

Таким образом, речь идёт о  широком применении интеллектуальных систем в различных областях медицины. Это обстоятельство требует анализа  их теоретических основ и для  дальнейшего расширения сферы применения. 

В настоящей работе рассмотрены  особенности медицинских экспертных систем (МЭС), в качестве основного  способа представления знаний в  которых выступают системы правил и предложены некоторые механизмы, расширяющие возможности их использования  в клинической медицине.

 

1. Общая схема планирования на основе прецедентов.

Планирование на основе прецедентов использует предшествующий опыт для решения новых задач. Использование опыта несет в себе двойную выгоду. Во-первых, система планирования становится адаптивной к предметной области. Такая система может на основе удачных и неудачных попыток планирования пополнять свои знания о предметной области или уточнять их. Это делает возможным применение таких систем в динамически изменяющихся средах. Во-вторых, использование опыта может повысить эффективность планирования, т.к. для составления новых планов используются фрагменты готовых решений.

Метод работает следующим  образом. После постановки новой  задачи планирования система пытается найти в библиотеке прецедентов  решение похожей задачи. Под похожестью здесь понимается сходство исходного  состояния и целей, хотя в качестве существенных могут выступать и  другие параметры, например, ресурсы, время, лёгкость адаптации. При этом система  может производить поиск нескольких решений и рассматривать их все  в дальнейшем или отобрать лишь одно, наиболее похожее, решение.

Следующее действие заключается  в модификации выбранного прецедента таки образом, чтобы он решал новую  задачу. Для этого в прецеденте заменяются цели и начальные условия. После выполнения модификации план может оказаться некорректным, т.е. не достигающим цели. В этом случае необходимо выполнить адаптацию  плана. Цель адаптации – приведение плана в корректный вид, т.е. в вид, доставляющий решение поставленной задачи. Далее выполняется проверка полученного решения. Проверка может выполняться различными способами: имитация, выполнение плана в реальной среде или какими-то специальными процедурами ревизии. Т.к. предполагается, что наши знания о среде неточны, может оказаться, что в результате проверки выявится невыполнимость плана. В этом случае можно выполнить анализ причин невозможности выполнения плана и внести коррективы в описание предметной области. Можно попытаться скорректировать план в соответствии с этими изменениями в описании предметной области и вновь повторить проверку полученного решения. Эти действия можно выполнять произвольное количество раз.

Последняя фаза – сохранение опыта текущей попытки планирования в библиотеке прецедентов.

2. Применение индуктивных методов машинного обучения для автоматического порождения правил по примерам и прецедентам.

Как мы видели, описанный  выше подход к построению медицинских  систем использует правила в качестве способа представления знаний. Таким  образом, уместен вопрос: откуда же берутся требуемые правила? Иначе  говоря, каковы источники знаний для  построения экспертных систем?

В качестве таковых обычно выступают:

• специалисты предметных областей, обычно называемые экспертами;
• протоколы рассуждений (протоколы "мыслей вслух") экспертов;
• протоколы так называемых диагностических игр;
• книги, инструкции;
• примеры и прецеденты решения соответствующих задач (например, диагностики или выбора схемы лечения);
• базы медицинских данных (например, электронные истории болезней).

Рассмотрим методы обучения экспертных систем по примерам, т.е. такие методы приобретения знаний медицинскими экспертными системами, в которых в качестве источников знаний выступают примеры и прецеденты решения различных медицинских задач и данные, содержащиеся в базах данных, точнее, в медицинских информационных системах. 

Существуют различные  типы методов такого рода, которые  условно можно разбить на три  класса: статистические, индуктивные  и нейросетевые. 

Здесь мы сосредоточим внимание на втором классе методов, особенность  которых состоит в том, что  они не требуют представительных или, как говорят, репрезентативных выборок данных и, кроме того, могут  довольствоваться небольшим количеством  примеров. 

Среди индуктивных методов, в свою очередь, можно выделить методы ближайших соседей, методы построения деревьев решений, методы покрытий и  другие. Здесь мы продемонстрируем возможности метода последовательных покрытий для автоматического построения правил. 

Этот метод основан  на идее постепенного покрытия обучающих  данных с помощью последовательно порождаемых правил и используется целым семейством алгоритмов. При поиске правил следует действовать таким образом, чтобы порождаемые правила покрывали все положительные примеры и ни одного отрицательного. 

В привычной записи порождаемые  алгоритмом правила будут иметь  вид:  
 
если A₁ и A₂ и … и A_n, то C

где C — заключение, а условия  A_i могут быть записаны в так называемой атрибутной форме at_i = V , где at_i – имя атрибута или признака , а V – его значение или иметь более общий вид at_i = v₁   v₂   v₃ …, где атрибут может принимать одно из нескольких значений (связанных дизъюнкциями).  
 
Опишем этот алгоритм в общем виде:

Шаг 1. Разделить все примеры на подмножества PE положительных примеров и NE отрицательных примеров.  
 
Шаг 2. Выбрать из PE случайным образом или по каким-то соображениям один пример, который будет считаться опорным примером.  
 
Шаг 3. Найти множество максимально общих правил, характеризующих опорный пример. Предел обобщения определяется множеством NE: обобщенное описание опорного примера не должно удовлетворять ни одному объекту из NE. Полученное таким образом множество правил называется опорным множеством.  
 
Шаг 4. Используя некоторый критерий предпочтения, выбрать лучшее правило в опорном множестве.  
 
Шаг 5. Если это правило, вместе с ранее порожденными таким образом правилами, покрывает все объекты из PE, то конец. Иначе — найти другой опорный пример среди неохваченных примеров в PE и перейти к 3.  
 
Шаг 3 выполняется специальной процедурой порождения опорного множества правил.