Информационно-справочные и консультативно-диагностические системы в составе АРМ врача

Одна из проблем, с которой часто приходится сталкиваться врачам – это необходимость накопления больших объемов профессионально ценной информации и необходимость оперирования с ними. ИСС, входящие в состав АРМ врача, в определенной степени решают эту задачу, являясь надежным средством хранения информации, предлагая удобные и быстрые способы ее поиска. Медицинские информационно-справочные системы (базы и банки данных) предназначены для ввода, хранения, поиска и выдачи медицинской информации по запросу пользователя.

Системы этого класса не осуществляют обработку информации, но обеспечивают быстрый доступ к требуемым сведениям. Информационные массивы справочных систем, как правило, проблемно-ориентированы. Их можно подразделить по видам хранимой информации (клиническая, научная, нормативно-правовая и т. д.), по ее характеру (первичная, вторичная, оперативная, обзорно-аналитическая, экспертная, прогностическая), по объективному признаку (ЛПУ, материально-техническая база, лекарственные средства и другое).

Заметны тенденции более быстрого роста числа фактографических ИСС. Это связано с тем, что в работе врача, в организационно-управленческой деятельности, в научно-медицинских исследованиях доступ к фактографическим данным более важен, чем доступ к фактам библиографическим.

Логическим продолжением исследований в области создания АРМ явилась их интеллектуализация.

Интеллектуальный АРМ – это программный продукт, в котором некоторая часть или все модули поддержки процесса принятия решений реализованы с использованием систем, основанных на знаниях (экспертных и/или литературных). Такой АРМ позволяет осуществлять содержательный (в отличие от формального) анализ данных и предоставлять врачу объяснение предложенного решения, учитывающее его профессиональный уровень.

Все сведения, сообщаемые экспертом или извлекаемые из литературных источников при создании интеллектуального АРМа, должны быть проверены на внутреннюю непротиворечивость, полноту и соответствие реальной врачебной практике с учетом предполагаемого использования конкретного АРМа. Для этого можно осуществлять сопоставление с реальными медицинскими картами (историями болезни), описывающими результаты исследований и их медицинскую интерпретацию. Существуют и другие способы проверки интеллектуальных алгоритмов: рецензирование экспертных заключений, использование «игрового» интервью, когда врачу-эксперту задаются вопросы типа «А что, если …?» и другие. Проверку полноты и избыточности списка заболеваний и состояний, а также используемой терминологии проводят путем формального сравнения фраз из предложенного экспертом списка с реальными врачебными заключениями. Для этого выписываются фразы из реальных заключений, не вошедшие в список возможных заключений (это носит название предположительного нарушения полноты), и фразы из списка, не встретившиеся в реальных заключениях (это носит название нарушения неизбыточности). Особенно важна проверка на соответствие заключения и клинического описания. При этом проверяются две альтернативы: 1) в описании могут быть указаны признаки, сочетание которых практически наверняка достаточно для справедливости определенной фразы из заключения, но врачом эта фраза не указана; 2) может быть такой вариант заключения, для которого в описании не указан ни один из необходимых для этого признаков.

Интеллектуальный АРМ, содержимое базы знаний которого отвечает всем принципам верификации в конкретной предметной области, обеспечивает более высокое качество предлагаемых врачу-пользователю решений. Среди систем для помощи в принятии решений, на основании используемых методов выделяют:

· Автоматизированные системы для распознавания патологических состояний методами вычислительной диагностики.

· Автоматизированные консультативные системы для помощи в принятии решений на основе интеллектуального (экспертного) подходов.

· Автоматизированные гибридные (экспертно-статистические, экспертно-моделирующие) системы для консультативной помощи в принятии решений.

6.2.1. Вероятностные алгоритмы анализа

С начала 60-х годов XX века при решении задач дифференциальной диагностики использовались методы математической статистики и распознавания образов (под образами понимаются классифицируемые классы – заболеваний, состояний). Пионерами вычислительной диагностики в нашей стране были Н. М. Амосов, М. Л. Быховский.

Вычислительная диагностика используется для решения задач:

· клинической дифференциальной диагностики,

· выявления лиц с повышенным риском заболевания при массовых профилактических или профессиональных осмотрах,

· прогнозирования течения заболевания, эффективности лечения, оценки тяжести состояния, исхода заболевания.

Для реализации данного подхода необходимо иметь некоторое множество конкретных историй болезней с известными диагнозами. Такие множества анализируются с целью определения статистически «типичной» картины для каждого из рассматриваемых заболеваний – образа. Затем история болезни конкретного пациента анализируется на предмет «степени похожести» данного случая на «типичный».

Еще один часто реализуемый в статистических моделях метод - так называемый байесовский статистический подход. Такой подход позволяет производить вычисление вероятности заболевания по его априорной и условной вероятностям, которые связывают процессы с их характерными признаками. Априорная вероятность определяется путем подсчета частоты появления определенного состояния в выборке. Условные вероятности рассчитываются, исходя из частоты появления отдельного признака при определенном состоянии.

Два принципиально различных подхода к распознаванию – вероятностный (стохастический) и детерминистский – выдают решение в различной форме. При вероятностном подходе ответ сопровождается оценкой (обычно в процентах), указывающей на возможность того или иного диагноза (прогноза). При детерминистском – однозначно указывается один из возможных вариантов ответа.

Критериев качества распознавания несколько. Одним из них является процент правильных отнесений (или наоборот – число ошибок распознавания) на обучающей выборке. Принято оценивать чувствительность диагностического алгоритма и его специфичность.

Чувствительность – доля пациентов с диагностированным (с помощью правила) заболеванием среди всех пациентов с данным заболеванием в обучающей выборке, т. е. отношение числа истинно положительных результатов к числу случаев с наличием заболевания.

Специфичность – это доля пациентов с недиагностированным заболеванием (с помощью правила) среди пациентов без данного заболевания в обучающей выборке, т. е. отношение числа истинно отрицательных результатов к общему числу случаев с отсутствием заболевания.

Автоматизированные системы вычислительной диагностики могут быть полезны для начинающих врачей, клинических ординаторов, фельдшеров. В особенности это касается необходимости принятия решений в отношении редких заболеваний. Высокоэффективным является применение таких систем при неотложных состояниях (в условиях дефицита времени на принятие решений при небольшом объеме имеющейся о пациенте информации), особенно – в дистанционном режиме.

Системы для распознавания патологических состояний методами вычислительной диагностики могут использоваться как отдельно, так и в составе автоматизированных рабочих мест врачей разных профилей.

Обладая определенными достоинствами, статистические методы страдают и немалыми недостатками. Первый связан с тем, что информация, необходимая для построения статистических моделей, часто отсутствует, для ее накопления требуется создание банков данных по заболеваниям. И еще один важный недостаток в работе таких диагностических систем связан с самим методом постановки диагноза путем некоторых математических операций с вероятностями, т. е. набором чисел от 0 до 1. Такой метод не может быть понятно объяснен ни врачу, ни пациенту.

6.2.2. Алгоритмы принятии решений на основе интеллектуального (экспертного) подходов

Диагностическое заключение врача представляет собой результат логических умозаключений, базирующихся на научных знаниях, субъективном опыте, полученном в процессе работы, и здравом смысле. Принципы математической статистики не всегда эффективны при анализе клинических данных, в особенности при редких заболеваниях, когда имеются малые выборки. Поэтому наряду с обработкой данных, широкое применение нашла и «обработка» знаний.
Под знаниями подразумеваются закономерности предметной области (принципы, связи, законы), полученные в результате теоретических исследований, практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области. Эти знания могут быть отражены в литературе, и системы, построенные на основе их анализа, называют интеллектуальными. В другом варианте, при извлечении этих знаний в процессе собеседований с высоко квалифицированными специалистами (экспертами в конкретной области медицины), такие системы получили название экспертных.

Для того, чтобы знания можно было использовать при построении систем, их формализуют. Под формализацией понимается однозначное (иногда многозначное) описание клинических проявлений заболеваний (включающее дифференциально значимые признаки и их сочетания для отдельных или групп заболеваний), профессиональных навыков, технологий, методов принятия решений, на основе которого возможно последующее моделирование деятельности врача и использование знаний в автоматизированных системах, в данном случае экспертных.

По источникам знания предметной области можно разделить на фактические и эвристические. Фактические знания – хорошо известные в данной предметной области факты, описанные в специальной литературе. Эвристические знания основаны на собственном опыте специалиста-эксперта, пользоваться ими нужно осмотрительно, но именно они определяют эффективность экспертной системы.

Экспертные системы (ЭС) – программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях.

ЭС должны удовлетворять определенным требованиям:

· ЭС должна обеспечивать высокий уровень решения задач в своей предметной области;

· «поведение» ЭС (задаваемые врачу вопросы, рекомендации, логика работы и принятия решений) должно моделировать поведение грамотного врача;

· ЭС должна объяснять получаемые решения, используя конструкции, понятные врачу;

· созданные ЭС должны обеспечивать возможность модификации при обновлении медицинских знаний по данной предметной области.

В экспертных системах реализуются четыре базовых функции:

· Приобретение (извлечение) знаний.

· Представление знаний.

· Управление процессом поиска решения.

· Разъяснение принятого решения.

Рис. 2 Структура экспертной системы

Приобретение знаний – это восприятие опыта решения проблемы от источника знаний (эксперт, литература) и преобразование его в вид, который позволяет использовать эти знания в экспертной или интеллектуальной системе. Для извлечения знаний необходимы усилия не только эксперта, знающего предметную область, но и когнитолога или инженера по знаниям (knowledge engineer) или аналитика, владеющего методами извлечения, структуризации и организации знаний предметной области. Извлечение знаний может происходить в процессе собеседований между инженером по знаниям и экспертом в конкретной проблемной области или в результате взаимодействия эксперта со специальной программой, замещающей в этом случае когнитолога.

Представление знаний – описание приобретенных знаний с помощью машинного языка (языка представления знаний), включая проверку на корректность и полноту. Существует несколько языков представления знаний, самыми распространенными из них в настоящее время являются продукционные модели, фреймы, семантические сети.

Управление процессом поиска решения – это осуществление доступа к знаниям, порядок и способ их использования в процессе формирования решения.

Разъяснение принятого экспертной системой решения – важная базовая функция, обеспечивающая высокий уровень доверия к ЭС. Данная функция позволяет врачу понять логику, оценить качество и безопасность решений, предлагаемых системой, и сделать окончательный обоснованный выбор.

С целью удовлетворения указанным требованиям и выполнения базовых функций в состав типичной ЭС входит ряд обязательных компонентов. Обычно типичная экспертная система имеет структуру, состоящую из набора следующих блоков: базы знаний, блока логического вывода, подсистемы объяснений, редактора базы знаний и интерфейса пользователя.

База знаний является ядром экспертной или интеллектуальной системы. Это совокупность знаний предметной области, записанная на машинный носитель в форме, понятной пользователю и эксперту.

Создание БЗ является основной задачей когнитолога и основным этапом разработки экспертной системы. В функции когнитолога входит не только опрос экспертов, но и последующее сопоставление и обобщение полученной информации, а также ее представление в виде формализованных знаний (совокупности фактов и правил) в форме, пригодной для непосредственного занесения в БЗ. Когнитолог является основным разработчиком базы знаний ЭС. От полноты признакового пространства, включая связи симптомов разработанной БЗ, и точности сформулированных алгоритмов вывода зависит качество выносимых ЭС решений.

Блок логического вывода – это программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ.

Подсистема объяснений – программа, позволяющая пользователю получить ответ на вопрос, как и почему было принято то или иное решение.

Редактор базы знаний – программа, предоставляющая инженеру по знаниям возможность дополнять разработанную БЗ, что позволяет экспертной системе не терять свою актуальность с течением времени.

Интерфейс пользователя – это комплекс программ, реализующих интерактивный диалог пользователя с ЭС. Он должен соответствовать задачам системы, обеспечивать высокую скорость работы с программой, минимизировать количество человеческих ошибок в процессе работы с системой, быть удобным, то есть «дружественным».

Основой решений, получаемых ЭС, является совокупность знаний о предметной области. Именно поэтому вопросы, связанные с представлением, хранением и использованием знаний специалистов, являются наиболее важными при разработке ЭС.

6.2.3. Автоматизированные гибридные (экспертно-статистические, экспертно-моделирующие) системы для консультативной помощи в принятии решений

Опыт в разработке автоматизированных систем для распознавания патологических состояний методами вычислительной диагностики и с использованием искусственного интеллекта позволил специалистам в области медицинской информатики сделать следующий шаг – перейти к гибридным системам, которые сочетают в себе разные подходы.

Для решения одной и той же задачи в принципе может использоваться как алгоритм диагностики на основе математической статистики, математических моделей, так и системы знаний. Эти составляющие могут быть включены как подсистемы в единую автоматизированную консультативную систему.