Наряду с идентификацией болезней на основе суммы знаний, общепринятым в медицине является диагностика (выбор лечения) на основе информации об аналогичных клинических случаях, т.е. прецедентах. И в отдельных ЭC [68, 70, 78] предложены решения, позволяющие учитывать информацию о сходных ситуациях в прошлом. В системе ARAMIS [68] это реализуется путем сопоставления данных нового больного по отдельным параметрам с историями болезни, хранящимися в БД. Благодаря этому врач получает возможность при выборе лечения ориентироваться на прогноз и исход, которые имели место при аналогичных случаях в прошлом. Представляется несомненным, что обращение к методам индуктивного обучения с использованием прецедентов позволит повысить качество принятия решений в нетривиальных ситуациях (нетипичных случаях) и такой подход будет психологически близок врачам. В этом отношении представляют интерес модели, основанные на прототипах, которые соединяют символическое описание в терминах систем категорий и возможность обучения на примерах, поскольку рассуждение в них может быть основано на прецедентах [57].

Особняком стоит вопрос интеграции в ИС программно-аппаратных комплексов обработки электрофизиологических и биохимических данных. В таких системах функциональные данные, получаемые в процессе мониторинга, поступают на вход системы и актуализируют ее, т.е. реализуется динамический анализ ситуаций в режиме реального времени. В качестве примера можно назвать интегральную автоматизированную систему постоянного интенсивного наблюдения ГАСТРОЭНТЕР для синдромальной диагностики и прогнозирования состояний у больных с острой абдоминальной патологией, находящихся в отделении интенсивной терапии [11]. При таком подходе ИС, ориентированные на поддержку решений при неотложных состояниях, сделаются полноценными помощниками врачей. Важным аспектом таких систем является не только проверка последнего по времени принятого ранее решения и, при необходимости, его пересмотр с формированием новой гипотезы, но и выдача рекомендаций для экстренной коррекции возникших отклонений. В системе «Айболит» [5] предлагаемые врачу решения (правила) формируются по результатам математического моделирования в реальном времени (на основе информации, поступающей с мониторирующих систем). Это является примером гибридных ЭС, построенных на совокупности математических и логико-лингвистических моделей.

5. Место интеллектуальных систем в медицине

Существует точка зрения [31], с которой можно во многом согласиться, что интеллектуальные системы в ближайшем будущем смогут вообще изменить существующую систему здравоохранения, уровень знаний персонала и характер медицинского обслуживания населения. Это объясняется возможностями ЭС в вопросах диагностики большого числа заболеваний, достаточно высокой надежностью предлагаемых решений и повышением квалификации пользователей в процессе взаимодействия с ЭС, т.е. эффектом самообучения.

Место ИС в медицине определяется их направленностью:

во-1-х, это поддержка решений практикующего врача;

во-2-х, решение научно-исследовательских задач;

в-3-х, обучение студентов и врачей, повышающих квалификацию или проходящих специализацию.

Системы поддержки врачебных решений часто называют консультирующими, хотя представляется более оправданным использовать в отношении них термин «ассистирующие системы», что будет подчеркивать их значение именно как помощников врача. Большинство созданных ИС, в том числе и рассмотренных выше, относятся к этому классу. Как ясно из изложенного, они предлагают врачу решение и позволяют получить представление о том, на основе каких данных осуществлялся выбор того или иного диагноза (прогноза, метода лечения)

Значительно меньшее внимание уделяется исследовательскому аспекту в работе ИС. Но если в ИС решаются научные задачи, то представление знаний в ней должно быть организовано так, чтобы выразить эмпирическую (открытую) теорию, соответствующую предметной области. Для этого было введено понятие квазиаксиоматической теории [47, 50]. Выявление закономерностей и причинно-следственных связей, присущих физическим явлениям, возможно в системе ЭКСАПРАС [58].

Что касается использования ИС в обучении, то следует иметь в виду существование тестирующих (экзаменующих) систем и эффекта самообучения при взаимодействии с консультирующими (ассистирующими) диагностическими и лечебными ЭС. Обучающе-критикующий вариант представлен построенной в Йельском университете (США) ЭС ATTENDING [76], которая ориентирована на поиск ошибок в предлагаемом студентом или врачом решении. Она подвергает аргументированной критике план предоперационной подготовки и выбор способа анестезии, обращая внимание на недостатки, требующие исправления, и на опасности, которых можно избежать, и предлагает альтернативный вариант. Знания системе представлены в виде фреймов, содержащих список комментариев к определенным действиям врача. Это несомненно продуктивная идея, однако такие ЭС правильнее представляется называть оппонирующими, что является более широким понятием, включающим элементы не только отрицания, но и другой точки зрения, что как раз и реализовано в данном подходе.

6. Перспективы развития медицинских интеллектуальных систем

Перспективы развития ИС в медицине определяются рядом факторов, среди которых можно выделить вопросы извлечения и представления различных типов знаний специалистов, интеллектуализации интерфейса и блока объяснения, гибридных и динамических систем. Представляется целесообразным наметить основные направления, по которым предположительно должно, с позиций пользователя, осуществляться дальнейшее развитие медицинских интеллектуальных систем:

1. объединение в рамках единых ИС вопросов диагностики (включая оценку тяжести состояния), течения заболевания и лечения с обращением, при необходимости, к прецедентам, хранящимся в БД (фактов), что будет соответствовать врачебной логике и повышать эффективность предлагаемых решений;

2. обязательный учет, при выборе лечения, индивидуальных характеристик больного (психологических особенностей, наркомании, фоновых заболеваний и др.);

3. преодоление эффекта «размытости» медицинских представлений, в особенности при пограничных состояниях и стертых формах заболеваний, на основе методов нечеткой логики;

4. создание гибридных ЭС, включающих математические модели отдельных процессов, протекающих в организме в норме и искажающихся при патологии, что может ослабить жесткость исходных предпосылок для ЭС, обусловленных представлением информации экспертами в качественной и дискретной (но не континуальной) форме;

5. интеграция логических подходов и образных представлений;

6. использование критериев альтернативы при выборе решения (плана обследования, лечения и т.п.), что будет соответствовать подходам, исповедуемым различными научными медицинскими школами;

7. визуализация данных на различных этапах работы ЭС;

8. выдача объяснений в различной форме и в различном объеме в зависимости от направленности ИС - практическая врачебная деятельность, научно-исследовательская работа, учебный процесс;

9. создание динамических ЭС принятия решений, включающих, наряду с классическими БЗ, интеллектуальные блоки обработки мониторируемых физиологических параметров для актуализации систем в режиме реального времени.

Заключение

Суммируя основные возможности интеллектуальных систем, можно отметить, что их использование в клинической медицине позволяет:

1. осуществлять дифференциальную диагностику и выбор лечения в широком круге нозологических форм;

2. эффективно функционировать вне зависимости от степени выраженности клинических проявлений болезни у пациента;

3. учитывать фоновые состояния пациента;

4. оценивать неблагоприятные в прогностическом плане ситуации;

5. способствовать повышению квалификации врачей.

Литература

1. Асанов А.А., Ларичев О.И., Нарыжный Е.В., Страхов С.И. Экспертная система для диагностики лекарственных отравлений // Седьмая нац. конф. по искусств. интеллекту с междунар. уч. (КИИ'2000): Тр.конф. Т.2. - М.: Изд-во Физ-мат. лит. - 2000. - С.708-716.

2. Бонгард М.М. Проблема узнавания. - М.: Наука. - 1967.

3. Бохуа Н.К., Геловани В.А., Ковригин О.В., Смольянинов Н.Д. Экспертная система диагностики различных форм артериальной гипертензии // Изв. АН СССР. Техн. кибернетика. - 1982. - №6. - С.183-190.

4. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. - М.: Наука. - 1983.

5. Бураковский В.И., Бокерия Л.А., Газизова Д.Ш., Лищук В.А. и др. Компьютерная технология интенсивного лечения: контроль, анализ, диагностика, лечение, обучение. - М.: НЦ ССХ РАМН. - 1995.

6. Валькман Ю.Р. Графическая метафора - основа когнитивной графики // Нац. конф. с междунар. участием «Искусственный интеллект-94» (КИИ-94). Т.I. - Рыбинск. - 1994. - С.195-199.

7. Виноградов А.В. Дифференциальный диагноз внутренних болезней: справочное руководство для врачей. - М.: Медицина. - 1987.

8. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А, Очерки о совместной работе математиков и врачей. - М.: Наука. - 1989.

9. Гречко В.О., Долгополов И.Н., Ковнеристов А.Г. и др. Представление знаний в системе массового медицинского диагностирования // VI Междунар. конф. «Знания-Диалог-Решение» (KDS-97): Сб. науч. тр. Т.2. - Ялта. - 1997. - С.478-485.

10. Ездаков А.Л., Покатаева Е.Н. Компьютерная медицинская диагностика как опыт автоматизации работ в слабоформализованной предметной области // Компьютерная хроника. - 1994. - № 8-9. - С.13-30.

11. Зарубина Т.В., Гаспарян С.А. Управление состоянием больных перитонитом с использованием новых информационных технологий. - М.: - 1999.

12. Ивешко В.Г., Финн В.К. Экспертные системы и некоторые проблемы их интеллектуализации // Семантика и информатика. - М.: ВИНИТИ. - 1986. - №27.

13. Кобринский Б.А. К проблеме машинного распознавания наследственных болезней // Специализированная помощь детям с наследственной патологией: Сб. тр. Моск. НИИ пед. и дет. хир. Вып.16. - М.: - 1981. - С.147-153.

14. Кобринский Б.А. Значение визуализации данных при компьютерной обработке в медицине // Вестник АМН СССР. - 1988. - №8. - С.92-97.

15. Кобринский Б.А., Кудрявцев А.М., Фельдман А.Е. РС-ориентированная информационно-диагностическая система по наследственной патологии у детей // Компьютерная хроника. - 1994. - № 8-9. - С.31-37.

16. Кобринский Б.А., Таперова Л.Н., Фельдман А.Е., Веприцкая О.В. К вопросу о коммуникабельности медицинских экспертных систем / Эволюционная информатика и моделирование: Сб. науч. тр. по матер. междунар. конф. - М.: ГосИФТП. - 1994. - С.100-116.

17. Кобринский Б.А., Фельдман А.Е. Анализ и учет ассоциативных знаний в медицинских экспертных системах // Новости искусственного интеллекта. - 1995. - № 3. - С.90-96.

18. Кобринский Б.А. Рассуждения и аргументация в диагностическом процессе // 3-я Междунар. конф. «Информационные ресурсы. Интеграция. Технологии»: Матер. конф.: Вторая часть. - М.: - 1997. - С.4-6.

19. Кобринский Б.А. К вопросу о формальном отражении образного мышления и интуиции специалиста в слабо структурированной предметной области // Новости искусственного интеллекта. - 1998. - №3. - С.64-76.

20. Кобринский Б.А. Нечеткая логика в анализе образных представлений в медицинских системах искусственного интеллекта // Междунар. конф. по мягким вычислениям и измерениям: Сб. докл. Т.1. - СПб.: - 1998. - С.233-235.

21. Кобринский Б.А. Рефлексия и нечеткие представления в медицинских системах искусственного интеллекта // Рефлексивное управление. Тез. междунар. симпоз. - М.: Изд-во «Ин-т психологии РАН». - 2000. - С. 85-86.

22. Кожевникова В.Ю., Еременко В.В., Князьков О.В., Иванова Е.К. Опыт эксплуатации информационно-аналитической системы «История болезни» в ДПБ-6 // IV Междунар. форум: «Стратегия здоровья: Информационные технологии и интеллектуальное обеспечение медицины-97»: Тез. докл. - М.: - 1997. - С.64-66.

23. Кузнецов О.П. Образное мышление и быстрые процессы // Новости искусственного интеллекта. - 1998. - №2. - С.117-130.

24. Ларичев О.И. Теория и методы принятия решений, а также Хроника событий в Волшебных Странах: Учебник. - М.: Логос. - 2000.

25. Левит В.Е., Переверзев-Орлов В.С. Структура и поле данных при распознавании образов. - М.: Наука. - 1984.

26. Лукашевич И.П., Сыркин А.Л. Проблема получения и передачи медицинских знаний // Компьютерная хроника. - 1994. - №8-9. - С.39-43.

27. Лукашевич И.П., Мачинская Р.И., Фишман М.Н. Структурная организация медицинской информации «ЭЭГ-ЭКСПЕРТ» // Математические методы в технике и технологиях (ММТТ-2000): Сб. тр. 13-й Междунар. науч. конф. Т.4. Секции 5, 7. - СПб.: - 2000. - С.154-157.

28. Марьянчик Б.В. Метод виртуальных статистик и его применение в партнерских системах для компьютерной диагностики // Компьютерная хроника. - 1996. - №5. - С.65-74.

29. Марьянчик Б.В., Ермаков А.Ю., Кобринский Б.А., Темин П.А. Экспертная диагностическая система для инфантильных спазмов // Информатизация здравоохранения России: Всеросс. сб. науч. тр. Ч.3,4. - М.: - 1996. - С.244-249.

30. Михайлов М.Н., Харольская Н.А. Извлечение экспертных знаний из научного текста в полуавтоматическом режиме / Тр. III конф. по искусственному интеллекту-92. - Тверь. - 1992.

31. Нильсон Н.Д. Принципы искусственного интеллекта. - М.: Мир. - 1985.

32. Осипов Г., Назаренко Г., Малаховский Д., Комаров С. SIMER: система для исследования понятийной структуры предметной области / Сб. тр. первого междунар. семинара: Проблемы и применение искусственного интеллекта. - София: Техника. - 1987.

33. Осипов Г.С. Инструментарий для экспертных систем. Технология SIMER+MIR // Программные продукты и системы. - 1990. - №3. - С.23-32.

34. Осипов Г.С. Построение моделей предметных областей. Ч.I. Неоднородные семантические сети // Известия АН СССР. Техн. кибернетика. - 1990. - №5. - С.32-45.

35. Осипов Г.С. Информационные технологии, основанные на знаниях // Новости искусственного интеллекта. - 1993. - №1. - С.1-41.

36. Переверзев-Орлов В.С. Советчик специалиста. Опыт разработки партнерской системы. - М.: Наука. - 1990.

37. Поспелов Д.А. Моделирование рассуждений. - М.: Радио и связь. - 1989.

38. Поспелов Д.А. Прикладная семиотика и искусственный интеллект // Программные продукты и системы. - 1996. - №3. - С.10-13.

39. Поспелов Д.А., Литвинцева Л.В. Как совместить левое и правое? // Новости искусственного интеллекта. - 1996. - №2. - С.66-71.

40. Поспелов Д.А. Метафора, образ и символ в познании мира // Новости искусственного интеллекта. - 1998. - №1.

41. Рахманова З.Б., Байдун В.В. Инструментарий ЛЕДИ и его приложения / КИИ-94: Нац. конф. с междунар. участием «Искусственный интеллект-94». Т.II. - Рыбинск. - 1994. - С.366-372.

42. Ригельман Р. Как избежать врачебных ошибок. Книга практикующего врача. - М.: Практика. - 1994.

43. Соколова Л.В., Фуремс Е.М. Экспертная система диагностики бронхиальной астмы у детей // Компьютерная хроника. - 2000. - №1. - С.103-118.

44. Таперова Л.Н., Веприцкая О.В. Автоматизированное рабочее место детского врача-реаниматолога // Компьютерная хроника. - 1994. - №3-4. - С.49-60.

45. Тарасов В.Б. Моделирование психических образов: как совместить дискретное и непрерывное? // Новости искусственного интеллекта. - 1998. - №3. - С.86-100.

46. Устинов А.Г., Ситарчук Е.А. ТАИС - универсальная технология разработки систем компьютерной поддержки деятельности врача // IV Междунар. форум: «Стратегия здоровья: Информационные технологии и интеллектуальное обеспечение медицины-97»: Тез. докл. - М. - 1997. - С.21-23.

47. Финн В.К. Правдоподобные выводы и правдоподобные рассуждения // Итоги науки и техники. Теория вероятностей. Математическая статистика. Теоретическая кибернетика. - М.: ВИНИТИ. - 1988. - Т.28. - С.3-84.

48. Финн В.К. Об обобщенном ДСМ-методе автоматического порождения гипотез // Семиотика и информатика. - 1989. - Вып.29. - С.93-123.

49. Финн В.К. Интеллектуальные системы: проблемы их развития и социальные последствия // Будущее искусственного интеллекта. - М.: Наука. - 1991. - С.157-177

50. Финн В.К. Об интеллектуальных системах автоматизированной поддержки научных исследований // НТИ. Сер.2. - 1996. - №5-6. - С.1-2.

51. Фоминых И.Б. Интеграция логических и образных методов отражения информации в системах // Новости искусственного интеллекта. - 1998. - №3. - С.76-85.

52. Фуремс Е.М., Гнеденко Л.С. STEPCLASS - система извлечения экспертных знаний и проведения экспертизы для решения диагностических задач // НТИ. Сер. 2. - 1996. - № 9. - С. 16-20.

53. Хай Г.А. Как избежать потерь смысла на пути от содержательного знания к автоматизированной экспертной системе // Вопросы применения экспертных систем. - Минск: - 1988. - С.53-61.

54. Хай Г.А. Моделирование и системная организация базы знаний для решения интеллектуальных задач в клинической медицине // IV Междунар. форум: «Стратегия здоровья: Информационные технологии и интеллектуальное обеспечение медицины-97»: Тез. докл. - М.: - 1997. - С.95-98.

55. Черняховская М.Ю. Представление знаний в экспертных системах медицинской диагностики. - Владивосток: Институт автоматики и процессов управления ДВНЦ АН СССР. - 1983.

56. Чирков А.В. Когнитивная графика. Истоки и развитие // Науч. сессия МИФИ-2000: Сб. науч. тр. Т.3. - М.: - 2000. - С.77-78.

57. Шаров С.А. О математических моделях когнитивных механизмов // Обработка текста и когнитивные технологии: Сборник / Под ред. В.Д.Соловьева. - Пущино. - 1999. - С.222-232.

58. Янковская А.Е., Гедике А.И. Построение прикладных интеллектуальных систем на базе системы ЭКСАПРАС // Тез. докл. III конф. по ИИ. Т. 2. - Тверь: НИИ "Центрпрограммсистем" - 1992. - C. 82-85.

59. Янковская А.Е. Тестовые распознающие медицинские экспертные системы с элементами когнитивной графики // Компьютерная хроника. - 1994. - № 8-9. - С.61-83.

60. Adlassnig K.P., Scheithauer W., Grabner G. CADIAG-2/PANCREAS: an artificial intelligence system based on fuzzy set theory to diagnose pancreatic diseases // 3^rd Int. Conf. Syst. Sci. Health Care, Munich, July, 1984. - Berlin e.a. - 1984. - P.396-399.

61. Bozinovski S., Jankovski L., Naumova M. MEXYS: an expert system for psychiatric diagnosis based on the MMPI // Proc. MELECON'85. Mediterranen Electrotechn. Conf., Madrid, Oct.1985. - Vol.1. - Amsterdam e.a. - 1985. - P.243-246.

62. Chandrasekaran B., Mittal S., Smith J.W. RADEX - towards a computer-based radiology consultant // Pattern Recognition in Practice / E.S.Gelsema and L.N.Kanal (eds.). - North-Holland Publ. Co. - 1980. - P.463-477.

63. Chandrasekaran B., Mittal S., Smith J.W. MDX and related medical decision-making systems // Proc. IJCAI-81. - 1981. - P.1055.

64. Chang L.Ch., Tou J.T. Medics - a medical knowledge system // IEEE Trans. Syst., Man and Cybern. - 1984. - Vol.14. - N.5. - P.746-750.

65. Cohen P., Day D., Delisio J. et al. Management of uncertainty in medicine // 6^th Annu. Int. Phoenix Conf. Comput. and Common, Scottsdale, Ariz., Conf. Proc. - Washington. - 1987. - P.501-506.

66. Davis R., Buchanan B.G., Shortliffe E.H. Production rules as representation for a knowledge-based consultation program // Artif. Intell. - 1977. - Vol.8. - N.1. - P.15-45.

67. Fieschi M., Joubert M., Fieschi D. et al. SPHINX: A production rules expert system for medical consultations // MEDINFO'83: Proc. 4^th World Conf. Med. Inf. Pt.1. - Amsterdam. - 1983. - P.503-506.

68. Fries J.F. Time-oriented patient records and a computer databank // J. Amer. Med. Ass. - 1972. - Vol.222. - P.1536-1542.

69. Ganascia J.C. Explanation facilities for diagnosis systems // Cybernetics and Syst. Res.- Amsterdam e.a. - 1984. - Vol.2. - P.805-810.

70. Gercone N., McCalla G. Artificial intelligence. Underlying assumptions and basic objectives // J. Amer. Soc. for Inform. Science. - 1984. - Vol.35. - N.5. - P.280-290.

71. Heiser J.F., Brooks R.E., Ballard G.P. Progress report: A computerized psychopharmacology advisor // Proc. Eleventh Colloquium Intern. Neuro-Psychopharmacol. - Vienna, Austria. - 1978.

72. Hertzberg-Todd M., Tremblay G.F., Lam Ch.F. Computer-assisted localization of nervous system injuries // Comput. and Biomed. Res. - 1987. - Vol.20. - N.5. - P.489-496.

73. Kinney E.L. Expert system detection of drug interactions: Results in consecutive inpatients // Comput. and Biomed. Res. - 1986. - Vol. 19. - N.5. - P.462-467.

74. Lesmo L., Marzuoli M., Molino G., Torasso P. An expert system for the evaluation of liver functional assessment // J. Med. Syst. - 1984. - Vol.8. - N.1-2. - P.87-101.

75. Masarie F.E., Miller R.A., Myers J.D. INTERNIST-I properties: Representing common sense and good medical practice in a computerized medical knowledge base // Comput. and Biomed. Res. - 1985. - Vol.18. - N.5. - P.458-479.

76. Miller P.L., Blumenfruchi S.J., Black H.R. An expert system which critiques patient workup: modelling conflicting expertise // Comput. and Biomed. Res. - 1984 - Vol.17. - N.6. - P.554-569.

77. Mulsant B., Servan-Schreiber D. Knowledge engineering: A daily activity on a hospital ward // Comput. and Biomed. Res. - 1984. - Vol. 17. - P. 71-91.

78. Politakis P., Weiss S.M. Using empirical analysis to refine expert system knowledge bases // Artif. Intell. - 1984. - Vol.22. - N.1. - P.23-48.

79. Reggia J.A., Nau D.S., Wang P.Y. Diagnostic expert systems based on a set covering model // Intern. J. Man Machine Stud. - 1983. - Vol.19. - P.437-460.

80. Shortliffe E.H. Computer-based medical consultations: MYCIN. - Elsevier North Holland Inc. - 1976.

81. Szolovits P., Pauker S.G. Categorial and probabilistic reasoning in medical diagnosis // Artif. Intell. - 1978. - Vol.11. - N.1-2. - P.115-144.

82. Thompson W.B., Johnson P.E., Moen J.B. Recognition-based diagnostic reasoning / Proc. 8th Int. Joint Conf. Artif. Intell. Karlsruhe, 1983. -Vol.1. - LosAltos, Calif. - 1983. - P.236-238.

83. Weiss S.M., Kulikowski C.A. Developing microprocessor based expert models for instrument interpretation // Proc. IJCAI-81. - 1981. - P.853-855.

84. Zadeh L.A. Discussion: Probability theory and fuzzy logic are complementary rather than competitive // Technometrics. - 1995. - Vol.37. - N.3. - P.271-276.

85. Xiang Z., Srihari S.N., Shapiro S.C., Chulkow J.G. Analogical and propositional representations of structure in neurological diagnosis // Proc. of the First Conf. On Artif. Intell.Appl. IEEE Comput. Soc. - 1984.

86. Yu V.L., Buchanan B.G., Shortliffe E.H. et al. Evaluating the perfomance of the computer-based consultant // Comput. Biomed.- 1979. - V.9. - N.1. - P.95-102.

Размещено на Allbest.ru