Диссертация (1174198), страница 5
Текст из файла (страница 5)
В последующем, на базе диагностической системы INTERNIST-1была разработана обучающая система INTERNIST-1/QMR, которая включалаинформацию и позволяла совершенствовать знания по более, чем 600заболеваниям, относящимся к разделу внутренних болезней (Parker RC,1989).В Московском НИИ педиатрии и детской хирургии была разработанаСППВР для диагностики неотложных состояний. База системы включала28информацию о 42 клинических синдромах (Б.А.
Кобринский, 2005). В этомже институте была создана СППВР для диагностики наследственныхзаболеваний.Восновусистемыбылиположеныклинические(фенотипические) данные о более чем тысячи наследственных заболеваний удетей. Особенностью системы была возможность изменения значимостилюбого из симптомов. Точность системы составила 98,6% при формированиидифференциально диагностического ряда, предлагаемого врачу и 95,6% прираспознавании заболевания (Кобринский Б.А., 2005).Эволюция применения знаний экспертов в создании информационныхсистем, сопровождалась выделением отдельной области наук – «инженериязнаний», которая была определена Фейгенбаумом и МакКордак в 1983 годукак:раздел(дисциплина),направленнаянавнедрениезнанийвкомпьютерные системы для решения сложных задач, обычно требующихбогатого человеческого опыта.Экспертные системы первого поколения представляли собой системы синтеллектом пассивного ассистента пользователя: они располагали толькотеми знаниями, которые были получены от экспертов, переработаны"инженерами знаний" и введены в базу знаний в удобном для машины виде.Система была способна манипулировать этими знаниями, имитируя процесслогического вывода, и выдавать ответы на запросы пользователя.
Система неимела механизмов, которые позволяли бы ей критически оцениватьвводимые в ее память знания, выявлять в них противоречия, автоматическиобнаруживать закономерности, использовать их для предсказания иизвлекать новые знания из данных. Эти системы получили массовоераспространение лишь в медицинской диагностике. В них нашли отражениефундаментальные медицинские знания и опыт врачей-профессионалов поучету существенных связей между болезнями и симптомами. Такие системыявлялисьэлектроннымисправочниками,подготовленнымиопытнымипрофессионалами, и использовались для массового применения в процессе29обучениямедицинскогоперсонала(http://www.itstan.ru/it-i-is/pervoe-pokolenie-ekspertnyh-sistem.html).Экспертные системы второго поколения – это динамические системыреального времени (1996—2000 гг).
Основным отличием от экспертныхсистемпервогопоколенияявляетсяинтегрированность.Наосновеобъединения с традиционными информационными технологиями онистановятсягибриднымисистемами(интеллектуальнымикомплексамимоделирования), включающими эвристический компонент и комплексимитационных моделей (расчетные методики, статистический анализ,математические модели, базы данных), что значительно расширяет ихвозможности и обеспечивает их синергетический (нелинейный) характер.Созданиетакихсистемпривелокразработкеновогоподходакматематическому моделированию, позволяющему проводить качественноемоделирование с использованием информации в виде фактов и данных.Такиекомплексывключаютрасчетный(имитационный)компонент,обеспечивающий количественные решения, и эвристический (логический)компонент,позволяющийуспешнорешатькачественныезадачи(http://www.itstan.ru/it-i-is/vtoroe-pokolenie-ekspertnyh-intellektualnyh-sistemeis.html).Переходксистемамтретьегопоколения—этопереходотпредположений, справедливых только для изолированных систем ИИ, и отиндивидуальных,автономныхсистемкраспределеннойобработкеинформации и разработке мультиагентных ИС.
Главной особенностьюперспективных систем является их распределенность, обеспечение обработкии применение распределенных знаний. Основой для создания перспективныхЭИС являются результаты, имеющиеся в области методов обнаружениязакономерностей, распознавания образов, структурно-логического анализаданных и знаний, математической лингвистики, а также достигнутый опыт вразработке ЭИС. В создаваемых в настоящее время экспертных системах уже30имеются отдельные вышеуказанные элементы.
Перспективные экспертныеинтеллектуальные системы должны обеспечивать обработку смыслов, а нетолько знаний и данных. Эти системы могут анализировать фразыестественного языка и строить соответствующие их семантическомусодержанию сетевые структуры. ЭИС становится способной понимать смыслсообщений, формируемых в естественной форме, и синтезировать фразы,относящиеся к данной предметной области. Для этих целей актуальнойзадачей становится разработка систем распознавания управленческихситуаций.
Важная ее особенность заключается в том, что результатраспознавания должен отражать смысл ситуации, который в нее вкладываютпользователи, эксперты, лица, принимающие решение (http://www.itstan.ru/iti-is/trete-pokolenie-ekspertnyh-intellektualnyh-sistem-eis.html).В настоящее время по данным Jiang F. и соавт. (Jiang F, 2017) наиболееактивно СППВР применяются в онкологии, кардиологии, неврологии итравматологии.
Акцент на эти группы заболеваний не случаен, так какименно они являются ведущими причинами инвалидности и смертности, втом числе в молодом возрасте, и ранняя диагностика позволяет потенциальноулучшить прогноз заболевания.1.3.1. СППВР в неврологииДиагностические СППВР используются при заболеваниях нервнойсистемы. Система для дифференциальной диагностики головных болей былапредложена Maizels M. и Wolfe WJ. (Maizels M, Wolfe WJ, 2008).Эпизодическая мигрень и хроническая головная боль напряжения быладиагностирована экспертной системой в 100% случаев (35 и 11 наблюдений,соответственно), трансформированная мигрень – в 85,7% случаев (42/49пациентов).
Эпизодическая головная боль напряжения (2 наблюдения) иэпизодическая пучковая (1 случай) боль также во всех случаях былиправильнодиагностированы.Кроме31этого,особенностьюэтойинформационной системы явилась её возможность определить правильностьпроведения противоболевой терапии. Точность диагностики избыточногоприменения препаратов составила 82,7% (34/52 пациента).Система поддержки решений, основанная на алгоритме нечёткой логикис включением клинических и ЭМНГ данных, была предложена длядиагностики полиневропатии (Kunhimangalam R, 2014). Всего былообследовано 84 пациента, у которых по данным клинических и ЭНМГисследований в 39 случаях была двигательная полиневропатия и в 45наблюдениях – чувствительная полиневропатия.
Контрольную группусоставили 20 здоровых человек. Данные для ввода в анализ включаликлиническиесимптомы(двигательные,чувствительныенарушения,ощущение и характер боли и пр.) и результаты ЭНМГ. Выходные данныепредставляли наличие/отсутствие полиневропатии и преимущественноевовлечение двигательных, чувствительных или всех волокон, а такжемиелиновой оболочки или осевого цилиндра. Диагностическая точностьсистемы достигла 93,3%.Экспертные системы поддержки решений врача применяются придифференциальной диагностике демиелинизирующих заболеваний.
Так,искусственная нейронная сеть была предложена для дифференциальнойдиагностики оптического неврита и передней ишемической невропатиизрительного нерва (Levin LA, 1996). Обучение нейронной сети былопроведено на 116 пациентах с верифицированными диагнозами оптическогоневритаипереднейишемическойневропатиизрительногонерва(клинические данные и результаты дополнительных исследований отвечали«золотому стандарту» для этих заболеваний). Непосредственно исследованиепроводилось на 128 больных с предположительным диагнозом того илииного заболевания.
Оценивались следующие клинические показатели: пол,возраст, степень и темп снижения/улучшения зрения, наличие сосудистыхзаболеваний (артериальная гипертензия, сахарный диабет, мигрень), отек32диска зрительного нерва, изменения полей зрения, включая скотомы, иместный болевой синдром. Совпадение диагнозов с мнением экспертов приоптическом неврите составило 97,8% (88/90) и при передней ишемическойневропатии зрительного нерва - 94,7% (36/38). Eshaghi A.
с соавторами(Eshaghi A, 2015) разработали экспертную систему на основе алгоритмамногоядерного обучения (multi-kernel learning) для дифференциальнойдиагностики рассеянного склероза и оптикомиелита (оптикомиелит Дэвика).В исследовании приняло участие 30 пациентов с оптикомиелитом (у 56% 17/30 имелись антитела к аквапорину - 4), 25 пациентов с рассеяннымсклерозом и 35 здоровых (контрольная группа). Для дифференциальногодиагноза было использовано сочетание клинических (сумма баллов по шкалеEDSS, самостоятельная ходьба 9 м, тест с заполнением 9 отверстий),нейропсихологических (тест запоминания 10 слов) и нейровизуализационныхкритериев (толщина коры, состояние подкорковых ядер, объём и количествогипоинтенсивных очагов в режиме Т1 в режиме Т2/FLARE, анизотропиякортико-спинального пути, зрительной лучистости и мозолистого тела,состояние ассоциативных связей, в том числе в фоновом режиме, и состояниезрительных ассоциативных путей по данным фМРТ, изменения на шейномуровне спинного мозга).
Точность дифференциальной диагностики междурассеянным склерозом и оптикомиелитом составила 88%, при этом наиболеезначимыми переменными оказались объём и количество очагов в беломвеществе,состояниеассоциативныхнейропсихологическихтестов.связейирезультатыИзолированныйклинический/радиологический синдром может быть дебютом рассеянногосклероза, в связи с чем правильной диагностике и трактовке этого состоянияуделяется большое внимание.331.3.2. Неотложные состояния и интенсивная медицинаОсобое значение СППВР имеют для поддержки решений в экстренныхусловиях скорой медицинской помощи, приёмных отделений и отделенийинтенсивной терапии, когда в условиях недостатка времени необходимопровести максимально полное обследование и дифференциальный диагноздля принятия решения о наиболее правильном алгоритме обследовании илечения.
По мнению Hanson CW, Marshall BE. (Hanson CW, Marshall BE.,2001) основным предназначением таких систем в условиях интенсивнойтерапии является высвобождение времени и повышение эффективностидеятельности врачей и другого медицинского персонала и улучшениеоказанияпомощибольным.Экспертныесистемысэлементамиискусственного интеллекта в режиме реального времени оказываютподдержку при принятии решений и позволяют интегрировать, отображать,анализировать и сохранять клиническую, лабораторную и иную информациюо пациенте (Kalogeropoulos D, 1997).Неотложным состоянием, требующим максимально быстрой диагностикии терапии, являются различные отравления. К настоящему временипредложен ряд систем, которые помогают определить основные направлениядифференциального диагноза и сократить время до назначения лечения.Одной из наиболее совершенных систем является ЭС для дифференциальнойдиагностики отравлений, предложенная Batista-Navarro RT.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
