Застосування експертних систем у медицині

Вступ Експертні системи — це програмні комплекси, що акумулюють досвід спеціалістів у деякій предметній області з метою його (досвіду) тиражування для консультацій менш кваліфікованих користувачів. Розробка ЕС — це галузь інформатики, що активно розвивається та спрямована на використання ЕОМ для обробки інформації у тих галузях науки та техніки, де традиційні математичні моделі моделювання малопридатні, де важливі смислова та логічна обробка інформації, досвід експертів. Експертні системи досить молоді—перші системи такого роду з’явилися у США в середині 70-х років. Натепер у світі нараховується декілька тисяч промислових ЕС, що дають поради при керуванні складними пунктами диспетчерів, постановці медичних діагнозів, пошуку несправностей у електронних пристроях тощо. Зараз легше назвати області, де ЕС не використовуються, ніж ті, де вони вже використовуються.

Головна відмінність ЕС від інших програмних засобів — це наявність бази знань, у якій знання зберігаються у вигляді записів на деякій мові представлення знань (МПЗ), що дозволяє легко змінювати та доповнювати базу знань у формі, що зрозуміла спеціалістам — розробникам ЕС. У звичайних програмах знання зашиті у алгоритм і тільки програміст (автор програми) може їх корегувати (якщо згадає, як побудована його програма).

До останнього часу саме різні МПЗ були центральною проблемою при розробці ЕС. Зараз існують десятки мов або моделей представлення знань. Найпоширеніші з них: продукції, семантичні мережі, фрейми, обчислення предикатів 1-го порядку, ОО мови програмування тощо. Для цих моделей існує відповідна математична нотація, розроблені системи програмування, що реалізують ці МПЗ. Вибір конкретної моделі визначається структурою знань у конкретній предметній області. Спочатку необхідно визначити цю структуру. Конкретизація елементів знань та їх взаємозв`язків відбуваються у безпосередньому контакті зі спеціалістами предметної області — експертами. Цей процес називається здобуттям знань, а розробники ЕС, що займаються саме здобуттям та структуруванням знань, називаються інженерами по знаннях.

Одразу визначимо ті предметні області, де має сенс виділяти знання. Це області, де переважає емпіричне знання, де накопичення фактів випереджає розвиток теорії (медицина, геологія, фінанси тощо). Такі добре структуровані області як математика, фізика, теоретична механіка, мають у своїй основі розвинений математичний апарат для опису своїх закономірностей, що дозволяє проводити машинне моделювання з використанням традиційного алгоритмічного програмування (без виділення рівня знань). Знання важливі там, де визначення розмиті, поняття змінюються, ситуації залежать від багатьох контекстів, де є велика невизначеність, нечіткість інформації. Загалом, знання — це основні закономірності предметної області, що дозволяють людині вирішувати конкретні виробничі, наукові та інші задачі, тобто факти, поняття, взаємозв`язки, оцінки, правила, евристики (фактичні знання), а також стратегії прийняття рішень у цій області (або стратегічні знання).

1. Приклади застосування експертних систем у медицині

Одна з найбільш ранніх і відомих медичних EC MYCIN фрагментарно розглядалася у попередніх розділах. Тут будуть стисло розглянуті деякі EC медичного призначення, ті, що стали вже класичними, і сучасні.

EC стеження за станом післяопераційних хворих Система VM призначена для стеження за станом післяопераційних хворих, яким необхідний апарат штучного дихання. Система визначає тип апарата штучного дихання і режими його роботи у залежності від розвитку захворювання та реакції організму на терапевтичні дії. Система реалізує роботу з даними, то змінюються в часі (динамічна система). Представлення системи про час обмежені тільки поточним і попереднім станами.

Знання в системі представлені у вигляді таких типів правил: переходу, ініціалізації, стану та лікування. Система постійно отримує нові покази приладів і запускає в дію всі свої правила.

Правила переходу визначають моменти зміни стану хворого, колі необхідно змінити порядок стеження за ним. Моменти зміни стану визначаються за виходом показників за заздалегідь установлені межі.

За допомогою правил ініціалізації установлюється новий контекст, тобто нові значення, які очікуються.

Після встановлення контексту правила стану визначають нову поведінку системи, поки контекст не зміниться. Незважаючи на те, що покази приладів постійно змінюються, система виконує зміну контексту тільки тоді, коли це буде достатньо обґрунтовано за правилами переходу.

Правила лікування визначають потрібні режими роботи апарату штучного дихання.

Приклади правил експертної системи VM.

Правило 1: якщо серцевий ритм є прийнятним, і частота пульсу не змінилася більше ніж на 20 ударів/хв протягом 15 хвилин, і середній артеріальний тиск є прийнятним, і середній артеріальний тиск не змінився більш ніж на 15 мм рт.ст. протягом 15 хвилин, і кров’яний тиск систоли є прийнятним, то гемодинаміка є стійкою.

Правило 2: якщо хворий переведений з VOLUME на CMV, або хворий переведений з ASSIST на CMV, то очікується, що: прийнятний середній тиск повинен бути в межах 75… 110, прийнятний серцевий ритм — 60… 110, вміст С02 у видиху −28…−42.

Правило 1 стосується хворих, що знаходяться на різних режимах штучного дихання (VOLUME, CMV ASSIST і Т-РІЕСЕ), правило 2 — всіх хворих, що знаходяться на режимі контрольованої примусової вентиляції (CMV).

Правило 1 ілюструє, як керуюча система стежить за станом хворого, застосовуючи терміни, значення яких міняється залежно від клінічного контексту (наприклад, «прийнятне»). Правило 2 показує як система використовує свої сподівання в деякому контексті, щоб точно визначити значення термінів (наприклад, «прийнятний середній артеріальний тиск»).

EC аналізу причин гіпертонії

Постановка задачі. Від гіпертонії страждає близько 10% населення Землі. Причини підвищення артеріального тиску дуже різноманітні - більше ЗО основних захворювань. Складність діагностики цих захворювань полягає в тому, що вони можуть стосуватися компетенції фахівців з різних галузей медицини: нефрології, ангіології, урології тощо. Тому створення EC, яка містила б знання кращих спеціалістів з різних галузей медицини, зв’язаних з гіпертонією, надає суттєву допомогу в підвищенні рівня діагностики вказаних захворювань.

Система МОДИС призначена для діагностики різних форм симптоматичної гіпертонії.

Система МОДИС може використовуватись як у поліклініках загального профілю, так і в спеціалізованих клініках. Очевидно, що рівень доступної інформації про хворого в цих закладах різний. В поліклініці терапевту доступна інформація більш загального характеру: скарги хворого, дані зовнішнього огляду, історія хвороби та результати загальних аналізів. Таким чином, на основі інформації загального характеру ЕС повинна звузити коло можливих захворювань і вибрати з них найбільш імовірні. ЕС дає рекомендації до яких спеціалістів звернутися хворому, скерувати на спеціальні дослідження.

При використанні ЕС у спеціалізованих клініках доступна більш детальна інформація, тобто дані спеціальних досліджень (наприклад, аортографії або внутрішньовенної урографії). В цьому випадку ЕС повинна поставити більш точний аналіз.

Основні концепції, з якими працює експерт у даній системі, — це захворювання, їх форми і групи, симптоми, дані лабораторних досліджень тощо. Для їх опису використовуються знання трьох видів:

описові знання, які використовуються експертом для опису відношень між поняттями. Наприклад, таке поняття, як систолічний тиск, пов’язане в експерта з додатковою інформацією. Так, він знає, що систолічний тиск може знаходитися в межах від 50 до 350, знає, що систолічний тиск завжди більший від діастолічного тощо;

знання про те, як експерт виводить нові твердження на основі аналізу деякої інформації. Експерт використовує ці знання для постановки діагнозу. Характерним прикладом цього виду знань є таке діагностичне правило: «Якщо хворий молодого віку і у нього спостерігаються пароксизми тиску, а результати гормональних досліджень крові показують збільшений більш ніж у два рази вміст катехоламінів, то у хворого, найімовірніше, феохромоцита» ;

знання про те, як експерт вибирає найперспективніші шляхи пошуку. Ці знання, подані у вигляді правил, дозволяють експерту не розглядати малоймовірні гіпотези, а тільки найбільш імовірні. Такі знання належать до метарівня, оскільки визначають деяку схему використання знань першого і другого рівнів. Приклад такого правила: «Якщо хворий має суттєві зміни в аналізах сечі, то насамперед потрібно підозрювати нефрологічну природу гіпертонії» .

Представлення знань. Знання в системі МОДИС зберігаються у вигляді правил. Ліва частина правил (предикати) записується у формі, близькій до природомовної, наприклад «Якщо характер підвищення артеріального тиску пароксизмальний». Предикати в лівій частині правил можуть з'єднуватися логічними операціями диз’юнкції, кон’юнкції і заперечення.

Для запису правих частин правил використовуються процедури. Так правило з правою частиною типу «…, то у хворого феохромоцита» можна подати у вигляді процедури «зробити висновок: у хворого феохромоцита», а правило виду «…, то розглядати нефрологічну групу захворювань» у вигляді «активізувати нефрологічну групу» .

Функціонування системи. Робота ЕС МОДИС починається зі збору початкової інформації, до якої належать анкетні дані хворого, його скарги, історія хвороби, симптоми та лабораторні аналізи. На екрані дисплея, перед яким сидить користувач, з’являються запитання і можливі відповіді на них.

Якщо запитання або відповіді незрозумілі, користувач може отримати додаткову інформацію. Відповіді, які вводить користувач, перевіряються системою і, якщо виявлені суперечності, ЕС сигналізує про це.

На етапі збору початкової інформації система задає користувачу біля ЗО запитань. Потім користувачу задаються запитання для аналізу гіпотез. Для пошуку рішень система висуває, підтверджує і заперечує гіпотези. В середньому один діагностичний сеанс триває 5−10 хвилин. Остаточний висновок, який дає система, є сукупністю елементарних рішень за окремими гіпотезами і формується системою в процесі аналізу дерева рішень. Характерним висновком для ЕС МОДИС можна вважати такий: «У хворого, найімовірніше, феохромоцитома. Потрібно провести гормональні аналізи крові та сечі з метою визначення там вмісту катехоламінів. Потрібна консультація нефролога» .

Експертна система визначення терміну нанесення ушкоджень у судово-медичній діагностиці

В описана експертна система для спектрофотометричної діагностики біотканин у судово-медичній експертизі. Перевага такого підходу до визначення терміну нанесення тілесних ушкоджень полягає в тому, що не використовуються руйнуючі (інвазивні) методи та суб'єктивні оцінки характеристик.

На основі даних спектрофотометричної комп’ютерної системи проводиться діагностика прижиттєвості нанесених травм у трупів та термін їх нанесення до смерті.

Перша версія системи (СЕД1) базувалась на логічних правилах і мала структуру, характерну для більшості традиційних ЕС, побудованих на правилах.

У наступній версії системи розглядалися більш складні задачі діагностики, зокрема, використання кольору в процесі діагностики. Вона була реалізована на основі апарату нечіткої логіки у вигляді окремої підсистеми, що дістала назву системи експертної неінвазивної оптичної діагностики (СЕНОД+). Ця підсистема виконувала ті самі функції, що й підсистема на основі логічних правил (СНЕД-1). Вибір підсистеми залежить від використання нечітких даних для визначення діагнозу.

Крім нечіткої логіки в системі використовується також імовірнісностатистичний підхід. У процесі формалізації задачі та Ідентифікації авторамивиявлено, що множина діагнозів (типів судово-медичних висновків для встановлення прижиттєвості та давності нанесення синців) у судово-медичній експертизі складає 7 видів.

На першому етапі відбувається визначення діагнозу: синець нанесений після смерті - <2у чи до смерті - <22. У випадку останнього на другому етапі роботи ЕС проводиться визначення терміну його нанесення за такою шкалою:

¦синець, нанесений безпосередньо перед смертю — в1;

синець, нанесений за 5 хв. — 1 год. до смерті - в2;

синець, нанесений за 1 — 6 год. до смерті - в3;

синець, нанесений за 6 — 24 год. до смерті - в4;;

синець, нанесений за 24 — 48 год. до смерті - в5;

синець, нанесений за 48 год. і більше до смерті - в6;

У процесі логічного встановлення діагнозу системою беруться до уваги такі фактори та їх показники. При визначенні прижиттєвості нанесення травми домінуючий колір синця — показник у, який лежить у межах від 1 до З, відносний показник коефіцієнта дифузного відбивання Рq на трьох довжинах хвиль, який відповідає кількісним показникам гемоглобіну та його похідних і характеризує стадію запального процесу: x1 — Рq460 нм — білірубін; х2 — Рq460 нм — гемоглобін; х3 — Рq460нм — метгемоглобін.

Таблиця 1.1.

Формалізовані значення факторів після введення якісних нечітких термів

Для кожного з визначених термінів часу нанесення ушкоджень існує своя комбінація значень відносного показника, тому пріоритет надається саме йому. Формалізовані знання експерта показані в табл. 1.1. Колір синця розподілений на три групи, які властиві кожному з виділених діагнозів, причому група І - червоний колір з фіолетовим, 2 — червоно-пурпурний, пурпурний, фіолетово-пурпурний, 3 — жовто-зелений, жовтий. Це допустимо і спрощує процес виводу діагнозу. В процесі формування бази знань фактори x3, y1-y3, які впливають на систему прийняття рішення і на формування кінцевого висновку, розглядаються як лінгвістичні змінні.

Знання у вигляді якісних термів та їх значень для лінгвістичних змінних xi і уi показані в табл. 1.2 і 1.3.

Якісні терми для лінгвістичних змінних y1-y3

Таблиця 1.2.

Якісні терми для лінгвістичних зміннихx1-x3

Таблиця 1.3.

Задача судмедекспертної діагностики ЕС полягає в тому, щоб множині значень виміряних показників x1-x3 та y1-y3 знайти відповідність діагнозу посмертного чи прижиттєвого нанесення травми a1-a3, і у випадку останнього визначити точний термін його нанесення b1-b6

Для оцінки лінгвістичних змінних x1-x3 вводиться система якісних термів, яка складається з чотирьох рівнів. Оскільки закон розподілу розглянутих випадкових величин наближається до нормального, то якісні терми для x1-x3 будуть такі (Рq розподіляються на шкалі, яка має 8 значень). Така шкала показана на рис. 1.1

Рис. 1.1. Шкала якісних нечітких термів для логічних змінних х1-х3 (діапазони показника Рц) Замість формування матриці правил до табл. 8.6 заносяться введені нечіткі якісні терми. Для виведення діагнозу ЕС достатньо розв’язати такі рівняння:

Для формування функції належності формалізовані знання для лінгвістичних змінних xi та уi — записуються в таблицях 1.4 та 1.5.

Таблиця 1.4.

Дані про знання для лінгвістичних змінних y1-y3

Таблиця. 1.5

Дані про знання для лінгвістичних змінних x1-x3

На основі табл. 1.4 та 1.5 визначають функції належності нечітких термів ДН, Н, НС, С, ВС, В, ДВ:

Наведені формули переписуються з урахуванням табл. 1.1

Аналогічно формуються рівняння для Для формування функцій належності з використанням наведених логічних рівнянь необхідно визначити множину функцій належності нечіткихтермів: Один ізможливих варіантів показаний на рис. 1.2

Рис. 1.2. Функції належності нечітких термів Запис функцій належності в аналітичному вигляді для семи розглянутих раніше діагнозів буде мати такий вигляд:

Експертна система іридодіагностики Проблеми використання Байєсівської стратегії в іридодіагностичних ЕС. Часто виникає питання, чому замість методу Байєса в медичних ЕС використовуються менш ефективні методи, наприклад, табличні алгоритми. В ця ситуація розглядається на прикладі іридодіагностики. Назвемо основні причини використання в іридодіагностиці малоефективних табличних алгоритмів замість більш ефективних алгоритмів, що використовують метод Байєса:

статистична залежність між іридоознаками;

необхідність знання апріорних ймовірностей P (Уj) захворювань Уj;

неоднорідність та неповнота даних;

наявність зовнішніх та внутрішніх завад.

Суть методу іридодіагностики. Метод іридодіагностики, оснований на сигнальній функції екстерорецепторів райдужної оболонки ока, є одним із найбільш інформативних і достовірних методів раннього виявлення генетичних і патологічних порушень в організмі. Цей метод характеризується відсутністю будь-яких протипоказань (за винятком епілепсії, як відносного протипоказання у зв’язку з провокуючою приступ дією світла), повною безпекою і нетравматичністю.

У процесі огляду пацієнта лікар-іридолог, оцінюючи структурний стан райдужної оболонки та адаптильно-трофічні зміни, що відбуваються у ній в часі та просторі, маючи можливість оперативного огляду в одному полі зору проекційних зон усього організму, діагностує з достатньо високою точністю спадкові особливості пацієнта, функціональну та органну слабкість певних органів і систем, що дозволяє в кінцевому результаті зробити висновки про резервні можливості організму, скласти прогноз, тобто побудувати вектор майбутнього стану здоров’я організму обстежуваного. На основі поєднання різних іридознаків на райдужній оболонці іридолог діагностує місцезнаходження патологічного процесу і певною мірою його характер.

Статистична залежність ознак. Прості та зручні для розрахунків співвідношення (1.1) справедливі у передбаченні статистичної незалежності використовуваних ознак. У випадку статистично залежних ознак необхідно використовувати складніший вираз, складність якого полягає в необхідності знання багатомірних густин розподілу ймовірностей Р (Х1,Х2,…, Хi) та Р (ХІ, Х2,…, Хi/Уj]).

Методика оцінювання одномірних розподілів ймовірностей Р (Xi) і Р (Хi/Yj), які придатні лише для обчислень за формулами (1.1), тобто в передбаченні статистичної незалежності ознак. Однак у цьому випадку відзначається наявність статистичної залежності між ознаками — як наслідок, формули (1.1) не можуть бути використані.

У результаті аналізу статистичної залежності іридоознак можна зазначити, що:

між іридоознаками існує статистична залежність, яка має два основних механізми -" фізіологічний" і «математичний». У першому випадку залежність зумовлена або проявом одного і того самого захворювання у вигляді декількох ознак, або проявом ознак декількох залежних захворювань, в другому випадку це залежність між комплексною іридоознакою, утвореною сукупністю елементарних іридоознак, та елементарними іридоознаками, які входять до її складу;

на сьогодні найбільше вивчена залежність між різними іридоознаками та ознакою «колір райдужної оболонки», що, очевидно, пояснюється не стільки інформативністю ознаки «колір райдужної оболонки», скільки простотою та легкістю його оцінювання.

Можна назвати основні чинники фізичної природи статистичної залежності ознак:

каузальність (причинно-наслідкова залежність);

синхронізм У першому випадку поява ознаки X зумовить іздеякою ймовірністю появу іншої ознаки Y. У другому випадку передбачають наявність третьої, прихованої від спостереження (латентної) або просто ігнорованої, події Z, каузально зв’язаної з ознаками X і Y, які в результаті такого зв’язку стають статистично залежними.

Для оцінки характеру та міри статистичної залежності ознак X і Y можна застосовувати поняття регресії і коефіцієнтів регресії. Регресією Y на X називається умовне математичне очікування (MO) випадкової величини (ВВ) Y для фіксованого значення Х=х:

E{Y (x)}=E{Y/X = x}.

Лінією регресії Y на X називається MO, що розглядається як функція змінної х. Аналогічно визначається регресія X на Y. Лінії регресії Y на X та Х на Y не збігаються. Регресія називається лінійною, якщо лінія регресії пряма. Для незалежних ВВ лінії регресії перетворюються в прямі, паралельні до координатних осей.

Якщо позначити колір райдужної оболонки символом X, а тип райдужної оболонки — символом Y, то можна розглядати значення умовної густини P (Y/X). Враховуючи суттєву нерівномірність цієї функції Y (для фіксованих значень X) можна наближено оцінити її середнє значення (математичне очікування) — йому відповідає максимум густини P (Y/X) як функції Y.

Характер статистичної залежності між ознаками може бути як лінійним, так і нелінійним. Для лінійної залежності використовується поняття «коефіцієнт кореляції»

rXY = Е{(Х — Е{ X})(Y — E{Y})} / axay,

де axayсередньоквадратичні відхилення ВВ X і У:

rXY =E{(X-E{X})(Y-E{Y})}/ axay.

У загальному випадку |rXY|<1 — Рівність rXY=0 має місце для некорельованих (і незалежних — у випадку нормально розподілених X та Y) ВВ, а |rXY|=1 — для лінійно залежних детермінованих ВВ.

Неповнота апріорних даних. Інша суттєва перешкода для використання формули Байєса полягає в необхідності знання апріорних імовірностей P (Yj) захворювань Yj. Якщо ця інформація відсутня, можна вважати всі гіпотези рівноймовірними, тобто P (Yj)=1/J, де У — кількість альтернативних захворювань.

Однак це може привести або до недостатньо високої вірогідності висновків (у випадку фіксованої кількості іридоознак, що спостерігаються), або буде вимагати збільшення обсягу спостережень (у випадку фіксованої досить високої вірогідності висновків).

Як приклад розглядається спроба використання у формулі Байєса статистичної інформації про деякі ознаки ниркової патології, зокрема такої інформації: «…Характерним для ниркової патології симптомом був лімфатичний розарій, який виявляли в обстежуваних хворих у 57% випадків… При захворюваннях легень, шлунково-кишкового тракту, серцево-судинної і нервової систем лімфатичний розарій виявляли рідше, ніж при захворюваннях нирок у 9−22% випадків… Вказана обставина дозволяє лікарю міркувати так: у випадку будь-якого виявлення лімфатичного розарію на райдужній оболонці можна передбачити, але в жодному разі не можна стверджувати, що у цього хворого є зміни стосовно нирок» .

У розглянутому випадку не враховується частота зустрічі ниркової патології взагалі, безвідносно до будь-якої сукупності діагностичних ознак, отже апріорні ймовірності гіпотез Y1 «є захворювання нирок» і Y2 «немає захворювання нирок» можна прийняти однаковими: Р (Y1)-Р (Y2)=0,5.

Припустимо, що мають місце такі умовні ймовірності Р (Х/Yj):

Р (ХІ/Y1) = 0,57; Р (Х1/Y2) = 0,155,

Де X1означає «є лімфатичний розарій», а значення величини Р (Х1/Y2) = 0,155отримано як середнє арифметичне значення 0,09 і 0,22 (9−22%).

Згідно з (1.1),

(1.2)

Оскільки

(1.3)

З (1.2) випливає:

Аналогічно Нерівність Р (Y1/X1) > Р (Y2/X1) відповідає виразу «можна передбачити наявність захворювання нирок», а той факт, що Р (Y1/X2)<1, відповідає фразі «ні в якому разі не можна стверджувати». Слова «ні в якому разі» — свідчення надзвичайної обережності автора: адже в 8 випадках з 10 твердження виявиться справедливим.

Далі можна врахувати апріорну інформацію у вигляді розподілу Р (Yj) та оцінити її вплив на вагомість висновків тепер. Вказано, що за результатами профілактичного огляду школярів у віці 12−17 років відомо, що патологіянирок має місце в 68% обстежених.

Якщо у виразі (1.2) прийняти, що Р (Yj)=0,68 та Р (Y2)=0,32, то отримаємо.

Отже, завдяки врахуванню апріорної інформації ймовірність висновку на користь гіпотези Y1=" є захворювання нирок" зросла на 0,1, а відносна надійність висновку, що характеризується відношенням Р (Y1/X1)/Р (Y2/X1) збільшилась з 4 до 9 разів, тобто більш ніж у 2 рази.

Виграш від використання апріорної інформації тим суттєвіший, чим більший її обсяг, тобто чим більш нерівномірний розподіл Р (Yj). Наприклад, за результатами другого профілактичного огляду, де середній вік обстежуваних складав 46,5 років, за допомогою аналогічних обчислень для Р (У1)=0,82 і Р (Y2)=0,18 отримуємо Відношення Р (Y1/X1)/Р (Y2/X1) тепер приблизно рівне 16, тобто збільшилось порівняно з початковим у 4 рази.

На основі аналізу використання апріорної інформації у вигляді повторюваності різних захворювань можна зробити такі висновки:

врахування апріорної ймовірності суттєво впливає на вірогідність висновків;

апріорна інформація не стосується конкретного виду діагностування — це інформація загальномедичного характеру, яка зберігається в певних документах і відображає залежність Р (Yj) від багатьох факторів і умов (соціальних, територіальних, кліматичних, екологічних, санітарноепідеміологічних тощо);

в процесі діагностики лікар практично завжди використовує апріорну інформацію на інтуїтивному рівні.

" Дефекти" даних. Під «дефектами» в цьому контексті розуміється неоднорідність і неповнота даних.

Прикладом неоднорідності даних є опис періодичності іридоознак як у кількісній (числовій), так і в якісній (вербальній) формі. Основні причини цього явища такі:

недостатнє дослідження ознак;

звичка практикуючих лікарів до вербального опису.

Неповнота даних може бути зумовлена або недостатньою мірою дослідження іридоознак, або недбалістю авторів публікацій.

Факториу що заважають. Стосовно методу іридодіагностики, фактори, що заважають (завади) можна умовно розділити на зовнішні та внутрішні.

До зовнішніх факторів відносяться неоднорідність складу пацієнтів (стать, вік, освіта, місце проживання, соціальний стан тощо), неоднорідність складу і стану лікарів (рівень кваліфікації, психофізіологічний стан лікаря в момент обстеження), неоднорідність умов обстеження (кліматичних, екологічних, санітарно-епідеміологічних тощо).

До внутрішніх факторів відносяться проблеми іридології як науки. Першою з цих проблем варто назвати неможливість диференціювання одними лише засобами візуального аналізу моменту появи захворювання — в більшості випадків тільки з урахуванням клінічних даних і, отже, тільки шляхом діалогу з пацієнтом іридолог може встановити, ознаки якого захворювання спостерігаються: минулого, теперішнього чи майбутнього.

Другою проблемою можна назвати ту обставину, що на сьогодні не створена універсальна іридологічна схема проекційних зон, яка задовольнила б усіх іридологів і, ймовірно, така схема ніколи не буде створена внаслідок принципових труднощів:

формування нервових шляхів у кожної людини індивідуальне, у зв’язку з чим кожний орган має не точну, а ймовірнісну проекцію;

можливість виникнення ознак, пов’язаних не з патологією органів, а з патологією провідних нервових шляхів, що досить складно надійно визначити;

можливість виникнення іридоознак, що пов’язані не з патологією органів, а класифікуються за типом відбитої рефлекторної іррадіації.

Використання продукції з елементами Байєсівської стратегії в іридодіагностиці Раніше було вказано, що використання Байєсівської стратегії прийняття рішень у її класичній формі має певні труднощі внаслідок кількох основних причин: статистична залежність ознак; неповнота апріорних даних; неповнота і неоднорідність іридологічної інформації; наявність факторів, що заважають.

Для вирішення проблеми статистичної залежності ознак пропонується два шляхи:

не враховувати її та проводити обчислення, виходячи з умови, що ознаки незалежні;

враховувати залежність ознак і проводити обчислення з відхиленнями від класичної формули Байєса, зберігаючи, однак, елементи байєсівської стратегії.

Прикладом реалізації другого варіанту є механізм виведення, що використовується в іридодіагностичній експертній системі ЕСІД, реалізація якої буде розглянута далі: за наявності i-ої ознаки у відповідності з формулою 1.1 здійснюють обчислення ймовірності j-ої гіпотези про наявність захворювання (в умовах рівномірності апріорного розподілу гіпотез для i-ої ознаки):

(1.4)

Ситуація Ji=I (i-ій ознаці відповідає тільки одна гіпотеза) вимушена, оскільки вона відображає ситуацію «пропусків» даних, коли оцінка умовних ймовірностей Р (Хi/Yj) відома лише для єдиної гіпотези.

За наявності декількох ознак використовується середня оцінка апостеріорних ймовірностей, отриманих у відповідності з виразом (1.4)

(1.5)

З урахуванням відхилень від Байєсівської стратегії, співвідношення (1.5) доцільно трактувати не як імовірнісну оцінку вірогідності гіпотези, а як результат «зваженого голосування» ознак. Співвідношення (1.4) дозволяє визначити часткові рейтинги гіпотез про наявність захворювань, а співвідношення (1.5) формує загальний, середній, рейтинг.

Ідея такого відхилення зустрічається в багатьох табличних діагностичних алгоритмах. Для прикладу розглянемо табл. 1.6 та 1.7.

Таблиця 1.6

Якісні характеристики ознак

Таблиця 1.7

Кількісні характеристики ознак

Якісні характеристики в табл. 8.11 замінені в табл. 8.12 кількісними з великою мірою округлення. Однак можна було б експериментально оцінити відповідні частоти повторюваності різних ознак для даних захворювань (табл. 8.13).

Таблиця 1.8

Вербальні та числові оцінки ознак

На основі даних табл.1.8 замість табл. 1.6 можна отримати більш точну табл. 1.9

Таблиця 1.9

Середні частоти ознак

У табл. 1.9 проставлені середні значення частот повторюваності симптомів із діапазонів, вказаних в табл. 1.8.

Якщо вважати для простоти захворювання рівноймовірними, то за формулою Байєсаможна оцінити значення Р (Yj/Xi), розмістити їх у відповідних клітинках табл. 1.14 і отримати нову табл.1.10, яка дозволяє проводити обчислення, аналогічні (1.8) та (1.9).

Таблиця 1.10

Умовні ймовірності, оцінені за формулою Байєса

Припустимо, що спостерігається дві ознаки: «передвісники» і «повільний розвиток». Додаючи числа з відповідних клітинок і поділивши результати на два (кількість ознак, що спостерігаються), отримаємо рейтинги геморагічного та ішемічного інсульту, рівні 0,19 і 0,81, відповідно. В результаті можна зробити висновок, що ішемічний інсульт є переважаючим діагнозом.

Табл. 1.10 фактично є діагностичною таблицею, єдиний недолік якої полягає в тому, що в її клітинках стоять не цілі числа (що зручно для ручних розрахунків), а дробові. Цей недолік легко усувається шляхом множення всіх дробових чисел на один і той же коефіцієнт, наприклад на 10, з наступним округленням результатів. У результаті таких дій отримаємо діагностичну таблицю (табл.1.11).

Таблиця 1.11

Кінцевий вигляд діагностичної таблиці

Наведені вище результати, з одного боку, демонструють наявність глибокого внутрішнього зв’язку між добре відомими табличними діагностичними алгоритмами і Байєсівською стратегією. З іншого боку, доведена в клінічній практиці досить висока ефективність табличних діагностичних алгоритмів, може бути аргументом на користь правила продукції з елементами Байєсівської стратегії, описаного виразами (1.4)-(1.5).

Експертна система для іридодіагностики ЕСІД Призначення і можливості. Програма ЕСІД багатоцільова: вона може використовуватися для практичної іридодіагностики, наукових досліджень і навчання іридологів Мед].

Можливості системи Мед]:

кількісна оцінка ймовірності можливих захворювань;

розв’язування задач загальної, диференціальної та часткової діагностики з пошуком інформації за схемами «ознака-захворювання» і «захворювання-ознака» ;

використання, поряд з іридодіагностичними, додаткових ознак;

аргументування діагнозу;

автоматизоване формування висновку лікаря з рекомендаціями стосовно лікування виявлених захворювань;

протоколювання результатів обстежень за допомогою автоматизованої статистичної обробки протоколів;

модернізація бази знань без залучення професіональних програмістів;

можливість автоматизованого обліку результатів статистичного оброблення протоколів у випадку модернізації бази знань;

кількість розпізнань нозологічних форм — біля 300;

кількість використаних діагностичних ознак — порядку 1000;

наявність режиму «Допомога» у вигляді кольорових графічних ілюстрацій і текстових коментарів.

База знань містить систему реляційних баз даних з переліком іридодіагностичних і додаткових (неіридодіагностичних) ознак, переліком нозологічних форм, інформацію про статистичні зв’язки між ознаками і захворюваннями та рекомендації стосовно лікування.

Рис. 1.3. Введення діагностичних ознак в ЕС ЕСІД Механізм логічного виведення базується на частковому використанні Байєсівської стратегії: в процесі загальної або диференціальної діагностики за заданими значеннями діагностичних ознак (іридодіагностичних або додаткових), автоматично обчислює і подає у вербально-графічній формі (схема організації інформації на екрані комп’ютера в режимі введення значень діагностичних ознак наведена на рис. 1.3) значення оцінки апостеріорного розподілу ймовірностей P (Yj/Xi).

Основою алгоритму обчислень служать співвідношення (1.4)-(1.5). Різниця полягає в тому, що реалізується рекурентний аналог (1.6), а не співвідношення (1.5):

(1.6)

Клієнт-серверна експертна система для телемедицини Термін «телемедицина» означає застосування телекомунікаційних та інформаційних технологій у медицині для проведення лікувальних заходів на відстані. На сьогодні телемедицина містить сукупність «вбудованих» у медичні інформаційні системи принципово нових засобів і методів обробки даних, об'єднаних у цілісні технологічні системи, що забезпечують створення, передачу, зберігання і відображення інформаційного продукту (даних, знань). Одним із традиційних застосувань інформаційних технологій в медицині є експертні системи (EC).

Як було сказано, експертні системи можна поділити на одиничні, групові та групові та корпоративні.

Використання мережевої клієнт-серверної технології (групові та корпоративні системи) дає певні переваги при побудові як EC в цілому, так і медичних EC зокрема:

архітектура клієнт-сервер призначена для вирішення проблем файлсерверних застосувань шляхом розділення компонентів і розміщення їх там, де вони функціонуватимуть ефективніше;

можлива інтеграція EC з іншими.системами, потрібними користувачу;

залучення більшої кількості користувачів для використання централізованої бази знань і підсистеми логічного виведення забезпечує досить високу адекватність EC;

можливість приватного зберігання алгоритмів логічного виведення та баз знань;

збільшення доступності систем;

якщо база знань зберігається на сервері, то за необхідності її модифікації проводиться її одноразове оновлення, а клієнтська частина залишається незмінною, що істотно спрощує процес модифікації бази знань, у порівнянні з локальною технологією EC, де потрібно було б відновити копію EC кожному користувачу подібність завдань і методів рішення в медичних експертних системах надає можливість виділити в них універсальні елементи, інтегрувавши їх уфункції сервера, що дозволяє спростити процес побудови EC. Застосування клієнт-серверних експертних систем для мережInternet/Intranet забезпечує такі переваги:

інтенсивний розвиток і висока ефективність медичних EC зокрема;

можливість застосування автоматизації процесу лікарського контролю;

надання лікарської допомоги та контроль за умови територіальної віддаленості пацієнта Наведемо приклади застосування мережевих технологій для побудови експертних систем у телемедицині. Система контролю серцевої активності Cardioview, що має давач серцевої активності, який з'єднаний задопомогою мобільного телефону стандарту GSM з Internet-сервером через WAP протокол і передає дані про серцеву активність спеціальній системі, написаніймовою Java. Аналогічна система Biolog застосовується експертами NASA для лікарського контролю самопочуття космонавтів. Відома також експертна фармакологічна система, що працює через WWW (Internet/Intranet).

Однак на сьогодні не сформований універсальний підхід до побудови таких систем. До недоліків можна віднести також орієнтацію на рішення конкретних часткових задач і застосування вузькоспеціалізованих технологій (побудова системи на основі WWWінтерфейсу).

У зв’язку з цим в запропонована схема клієнт-серверної експертної системи для мереж Internet/Intranet (рис. 8.4), яка може бути використана для рішення задач телемедицини незалежно від їх клінічної специфіки.

У порівнянні з класичною EC експертна оболонка виділена як відособлена частина і виконує функції мережевого клієнта. Підсистема логічного виведення та база (банк) знань знаходяться в серверній частині системи. Банк знань може зберігати декілька незалежних баз знань, які використовуються різними клієнтськими програмами. Для підтримки банкузнань використовуються засоби систем керування базами даних.

До складу серверної частини ЕС крім банку знань входить підсистема логічного виведення, яка інтегрується з інтерпретаторами скрипт-мов, що дозволяють реалізувати знання засобами цих мов. Інтеграція таких мов як LISP, клін Prolog, Forth дозволить легко перенести вже існуючі EC, побудовані з використанням цих мов, в режим мережевої реалізації. Таким чином можнарозширити можливості існуючих медичних інформаційних систем ведення та обліку хворих шляхом введення в них функції взаємодії з мережевими ЕС.

Для комунікації між серверною і клієнтською частинами системи використовується протокол на основі платформо-незалежного стандарту XML.

Протокол взаємодії серверної та клієнтської частин ЕС забезпечує статичний і діалоговий (інтерактивний) режими взаємодії з користувачем Статичний режим зручний у випадку одноразового передавання всіх даних, достатніх для прийняття рішення за умови, що вони вже знаходяться в базі даних клієнтської частини і не вимагають додаткового введення з боку користувача. Коли їх недостатньо, клієнт і сервер вступають у діалоговий режим взаємодії.

Вибір формату XML зумовлений такими факторами:

незалежний формат даних. Під час використання XML дані більше не прив’язані до засобів, що їх створили. Це різко підвищує можливість взаємодії різних систем, надає великі можливості вибору для користувача і сприяє спільному використанню даних різними системам;

покращення можливості пошуку даних, оскільки XML визначає логічну структуру документа;

збільшення доступності даних.

XML стандарт передавання даних має також ряд переваг і в порівнянні з HTML стандартом, який широко використовується для реалізації WWWпродуктів.

На основі розглянутої технології побудови клієнт-серверної експертної системи для мереж Internet/Intranet розроблена експертна система «Вертебрологія» для діагностики етіології фронтальних викривлень хребта (сколіозу).

Для розроблення системи «Вертебрологія» використовувались такі інструментальні засоби: мова програмування C/C++ як для клієнтської, так і для серверної частин; СКБД MySQL для зберігання банку знань серверної частини та бази даних клієнтської частини; скрипт-мова Lua, що забезпечує механізм логічного виведення серверної частини.

Мовою Lua реалізовані алгоритми експертної оцінки етіології фронтальних викривлень хребта (сколіозу). В основі алгоритму лежить статистичний підхід до вирішення проблеми засобами кореляційного і регресійного аналізу. Використовуються рівняння, що чисельно виражають вірогідність тієї чи іншої першопричини фронтальних викривлень хребта.

Розглянуті технології, мережеві протоколи і програмне забезпечення можуть бути використані для вирішення проблем телемедицини і в інших клінічних областях.

Експертна система «Лазерна рефлексотерапія»

Застосування експертних систем, призначених для вирішення завдань діагностики і лікування захворювань, особливо ефективне в тих випадках, коли врахування дуже великого обсягу вхідної інформації або реалізація складного алгоритму прийняття рішення дуже складна для практичного лікаря. Прикладом може бути розроблення схем лікування для методів рефлексотерапії. Велика кількість акупунктурних точок (більше 800) і необхідність оцінки множини чинників для вибору зон і доз стимуляції примушує лікаря-рефлексотерапевта користуватися спрощеним і шаблонним підходом, що знижує результативність застосовуваної терапії.

Рис. 1.4. Схема клієнт-серверної експертної система для мереж Internet/Intranet

В описана експертна система, реалізована на персональному комп’ютері і призначена для автоматизації синтезу рецептур за методиками лазерної-рефлексотерапії. В основу програми покладені алгоритми, які фахівці застосовують під час складання реальних рецептур лазерної рефлексотерапії.

Вхідною інформацією для експертної системи є діагностичний висновок, який формулюється лікарем на основі даних клінічних та інструментальних досліджень і включає такі дані:

вік і стать хворого;

розгорнений клінічний діагноз — нозологічна форма, головні синдроми і симптоми захворювання;

відомості про нейрометамірну іннервацію патологічних осередків, уражених внутрішніх органів і зон патологічних відчуттів (біль, свербіння^ парестезії тощо);

відомості про анатомічну локалізацію патологічних осередків і вражених внутрішніх органів.

Результатом роботи експертної системи є рекомендації стосовно схеми курсу лазерної рефлексотерапії для конкретного хворого. Схема містить перелік і кількість акупунктурних точок, а також питомі дози лазерного випромінювання для кожної процедури.

Експертна система експрес-діагностики станів у випадку пороків серця У цій системі модель знань представлена у вигляді графа окремих симптомів, симптомокомплексів і станів, що належать до одного класу захворювань. Вважається, що всі симптоми, симптомокомплекси і стани зв’язані. Цей зв’язок виражається у тому, що якщо різні елементи інформації належать до одного і того самого або послідовних патологічних процесів одного варіанту перебігу захворювання, то при визначенні будь-якого з них повністю відтворюються інші. Ціна асоціації розглядається як статистична характеристика переходу від одного симптомокомплексу до іншого. Ця характеристика залежить від кількості попередніх спільних відтворень обох симптомокомплексів, проміжку часу, що минув з моменту останнього їх відтворення, а також від частоти відтворення елементів, пов’язаних з обома заданими симптомокомплексами.

Для визначення статистичних характеристик необхідно використовувати достовірну інформацію. Тому з архіву клініки вибирають історії хвороби з верифікованими висновками. Навчання моделі захворювання проводиться саме на верифікованому матеріалі. Системі повідомляється частина відомостей, що є в історії хвороби хворого. Вихідна інформація порівнюється з рештою даних клінічного спостереження, що аналізується. Якщо вони в чомусь не збігаються, то фіксовані параметри моделі змінюють доти, доки не буде видана інформація, тотожна даним історіям хвороби.

Система забезпечує досить високу точність діагностики і прогнозування найважливіших патологічних станів: від 79,9 ± 1,9% до 87,2 ± 4,9%.

Експертна система прогнозування настання вираженої серцевої слабкості в післяопераційному періоді у пацієнтів із захворюваннями мітральиого клапана. Одна з важливих особливостей клінічної інформації полягає у великій кількості ознак захворювань, відносно малій кількості спостережень та істотній питомій вазі пропусків даних.

У цьому випадку модель представлення знань експертної системи може базуватися на методі групового врахування аргументів. Ця технологія була використана в процесі розроблення названої експертної системи.

Для побудови моделі знань методом експертної оцінки з подальшим простим аналізом інформативності було відібрано 12 показників, а на підставі вивчення архіву верифікованих випадків вибрано 40 історій хвороб пацієнтів, що померли в результаті різко вираженої серцевої слабкості в післяопераційному періоді. Для порівняння клініки патологічного процесу була взята така сама кількість випадків для післяопераційного періоду, що проходив нормально. Для утворення навчальної та екзаменаційної послідовностей вказаний об'єм спостережень був розділений на дві групи (з однаковою кількістю історій хвороби в кожній).

У прогнозуванні можливої серцевої слабкості використовувалися дані анамнезу (вік і тривалість захворювання), показники об'єктивного і лабораторного обстежень пацієнта (центральний венозний тиск, розміри серця, лівого і правого шлуночків, рівень загального білірубіну крові, швидкість осідання еритроцитів), характеристики фонокардіологічного обстеження, показники функціонального стану дихальної системи (відношення життєвої місткості легенів до задовільної і коефіцієнт використання кисню). Цей метод дозволив одержати апроксимуюче рівняння, яке дає можливість визначати ступінь наближення початкового стану хворого до двох дискретних рівнів, що зумовлюють можливість або неможливість виникнення гострої серцевої слабкості з точністю не менше 70%.

Поліалгоритмічні експертні медичні системи. В сучасних ЕС діагностики мають місце два основних підходи до використання медичних знань:

використання формалізованого представлення про правила постановки діагнозу. Такі системи розробляються за участю провідних фахівців у відповідних галузях медицини. Суть їх роботи полягає у реалізації алгоритмів логічного опрацювання множини даних про хворих з метою встановлення діагнозу;

використання статистичних методів та програм, що навчаються. Суть навчання полягає в аналізі історії хвороби з вказаним діагнозом та формуванні алгоритму (розв'язувального правила), який дозволяє визначати діагноз у кожному конкретному випадку.

Відомо, що діагностичні ЕС не завжди влаштовують лікаря-користувача. Програмне забезпечення ЕС є, по суті, алгоритмом кінцевого результату консиліуму лікарів. Однак практично не береться до уваги процес отримання цьогорезультату — алгоритми визначення діагнозів кожним лікарем, що бере участь консиліумі, тобто не враховується гнучкість мислення лікаря.

Цим зумовлена необхідність нового класу експертних систем — так званих поліалгоритмічних експертних систем, тобто свого роду колективного розуму, який використовується для постановки діагнозу.

Такі системи містять різні методи постановки діагнозів лікарями, які залежать від їх типів інтелекту, тобто є своєрідним «комп'ютерним консиліумом».

Розроблення поліалгоритмічних експертних систем є дуже перспективною і водночас надзвичайно складною задачею. Складність цієї задачі зумовлена такими основними факторами:

необхідністю розроблення технології комп’ютерної класифікації типів необхідністю розроблення методів і засобів інформаційних технологій, що дозвсляють розкрити тип інтелекту.

Рішення такої задачі дозволить одержати різноманітність алгоритмів мислення лікаря в залежності від типів інтелекту і створити банк знань поліалгоритмічних експертних систем — інформаційний комп’ютерний консиліум.

Поліалгоритмічні експертні системи є прикладом нового класу інтелектуальних інформаційних технологій. Традиційні інформаційні технології, що використовуються в експертних системах, моделюють певні функції інтелекту людини, наприклад, функції довготривалої пам’яті: запис, зберігання і відтворення інформації. Інтелектуальні інформаційні технології поліалгоритмічних експертних систем покликані моделювати складний процес мисленнялікаря, що залежить від типу його інтелекту.

Комп’ютерна класифікація типів інтелекту вимагає розробки методів і способів алгоритмізації мислення лікаря в процесі рішення задач діагностики, прогнозування керування тощо з урахуванням типу інтелекту. Алгоритм можливого підходу до комп’ютерної класифікації типів інтелекту може бути таким:

розроблення переліку відповідей на питання, які пропонуються випробуваним, у відповідності до типу інтелекту;

розроблення спеціальних питальників (анкет);

вирішення задачі розпізнавання типу інтелекту в залежності від отриманих відповідей.

Наводяться приклади одного з можливих питань та семи відповідей у відповідності до типів інтелекту.

Питання: Чи вважаєте Ви необхідним для постановки конкретного діагнозу використати знання про функціонування інших систем організму (фізичний статус), а також знання про стан психічного і соціального статусів?

Відповіді:

під час постановки діагнозу знання про можливу патологію асоціативно пов’язую з домінантною метою — пошуком керуючих дій через здорові системи організму та екологію здоров’я в цілому (глобальноасоціативний тип інтелекту)',

постановку діагнозу асоціативно пов’язую не тільки з певною патологічною системою, але і з пошуком можливих причин, що викликали патологію (знаходження інших патологічних систем з урахуванням єдності фізичного, психічного і соціального здоров’я). Розглядаю патологію як наслідок ряду причин (абстрактно-асоціативний тип).

постановку діагнозу обґрунтовую єдністю фізичного, психічного та соціального здоров’я. Патологічну систему пов’язую з роботою інших фізіологічних систем організму та екологією здоров’я в цілому. Знаходжу причину, що викликала патологію і даю логічне пояснення взаємозв'язку причини і наслідку (асоціативно-синтетичний тип);

в процесі постановки діагнозу використовую знання про цю патологічну систему та її зв’язки з іншими системами організму всередині даного статусу (фізичного, психічного або соціального). Здоров’я як триєдність статусів розглядаю в межах моїх знань (системно-асоціативний тип);

діагноз синтезую на основі логічного аналізу і систематизації фактографічного матеріалу про цю патологічну систему. Процес аналізу і систематизації припускає виключення інших діагнозів (асоціативноаналітичний тип);