Диссертация (1335940), страница 5
Текст из файла (страница 5)
Активные методики включают: расспрос, игры,анкетирование. К пассивным методикам относят: лекции, наблюдение и другие25[6].Текстологическиеи коммуникативныеметодынередкодополняют друг друга в процессе получения знаний.Полученные знания инженер по знаниям структурирует и формализуетпосредством определенных языков (моделей). Существуют пять основныхмоделей представления знаний: 1) логические исчисления; 2) продукционныеправила; 3) семантические сети; 4) фреймы и 5) онтологии [13, 35, 91, 99, 177,189].Продукционные правила – это знания о решении задач, представленные ввиде пар: «ЕСЛИ условие, ТО действие».
Если выполняется определенноеусловие, то выполняется действие, являющееся элементарным шагом решениязадачи. Таким образом, условная часть является шаблоном, запускающим данноеправило для выполнения следующего этапа решения задачи. Моделированиерешения задачи основано на процессе сопоставления текущих знаний сшаблоном, определяющим последовательность дальнейших действий [118, 243].Семантическая сеть представляет собой ориентированную структуру (граф),состоящую из узлов (понятий предметной области) и соединяющих их дуг(отношений между этими понятиями).
Объектами семантической сети могут бытьпонятия, события, свойства, процессы. Семантическая сеть дает возможностьрассмотреть объект как единую сущность с детализацией всех его свойств, атакже охарактеризовать связи (отношения) между ними. Наиболее важнымисвязями являются связи «это есть» или «часть – целое», позволяющие построить всемантической сети иерархию понятий, в которой узлы низких уровнейнаследуют свойства узлов более высоких уровней [35, 91].Фрейм представляет собой структуру, описывающую объект, котораясостоит из характеристик данного объекта (слотов) и их значений (заполнителейслотов) [236]. Идея фреймового подхода заключается в сосредоточении всехсвойств какого-либо объекта в одной структуре, которую можно адаптировать подстереотипную ситуацию.
Такая структура особенно наиболее удобна дляотображения иерархически организованных знаний и не требует излишнейдетализации: на верхнем уровне иерархии находится «родовой» фрейм,26содержащийнаиболееобщую информацию,истиннуюдлявсехостальных фреймов, последние обладают способностью наследовать значенияхарактеристик своих «родителей» [13].Наибольшейпопулярностьювнастоящеевремяпользуетсяметодонтологий благодаря своей наглядности и системности. Понятие «онтология» вобласти информационных технологий было заимствовано из философии, гдеозначает систему знаний о внешнем мире. Онтология в информатике представляетсобой иерархическую модель представления базовых понятий (концептов) вопределенной предметной области с их расшифровкой и указанием взаимосвязеймежду ними.
Являясь мощным инструментом познания, онтологии обладаютрядом преимуществ: 1) системностью, представляя целостный взгляд напредметную область; 2) единообразием (знания структуированы в виде наглядныхиерархических структур, облегчающих их усвоение); 3) научностью, позволяявосстановить недостающие логические связи между концептами во всей ихполноте [35, 113, 348]. Процесс создания онтологий называется онтологическийинжиниринг. Это сложный и длительный процесс, направленный на детальныйструктурный анализ исследуемой предметной области.
Его основные этапывключают: 1) извлечение знаний; 2) структурирование знаний; 3) формализациюзнаний с помощью специальных языков и систем; 4) их реализацию в виде системи редакторов (например, в области медицины созданы большие стандартные,структурированные словари, такие как SNOMED и Системы УнифицированногоМедицинского Языка [36, 289, 354].Структурированные знания в виде базовых понятий, описывающих какуюлибо предметную область (в нашем случае – дерматовенерологию), нередкоименуют классами.
В процессе создания онтологии они выстраиваются вопределённую иерархическую модель [292]. Классы сами по себе не несутинформации,достаточнойдлякачественнойхарактеристикисимптомовзаболеваний кожи, поэтому они включают подклассы (отдельные симптомы) илислоты. Последние могут принимать нумерованные характеристики, имеющиезначение «высоспецифичный», «среднеспецифичный» или «низкоспецифичный».271.3.
Интеллектуальные системы поддержки принятия врачебных решений вклинической практикеИнтеллектуальные системы в медицине наиболее активно разрабатываютсяв течение последних десятилетий, хотя первые попытки в области ЭВМдиагностики были предприняты ещё в 60-х годах 20 века [122, 343]. С 2002 года вразличных регионах нашей страны с успехом используется клиническаяинформационная система «ДОКА +», содержащая встроенные механизмыподдержки принятия решений врача.
Ее применение привело к улучшениюкачества лечения, повышению безопасности пациентов и рационализациирасходов на их лечение в стационаре [86, 134]. В хирургии P.L. Liew et al. (2007)создали систему прогнозирования риска развития желчнокаменной болезни улюдей с избыточной массой тела [325]. P.
Bassi et al. (2007) разработалиэкспертную систему для прогнозирования 5-летней выживаемости пациентов,перенесших радикальную цистэктомию по поводу рака мочевого пузыря, аЛукьянов И.В. (2001) – экспертную систему по диагностике и лечениюзаболеваний предстательной железы [126]. В рентгенологии F. Dohler et al. (2008)использовали интеллектуальную систему для диагностики гиппокампальногосклероза [290]. В неврологии A.T. Tzallas et al.
(2007) применили экспертнуюсистему для прогнозирования эпилептических приступов на основе анализаэлектроэнцефалограмм, а А.Е. Семак и др. (2006) – экспертную систему дляпрогнозированияинсультов[369,207].Разработанаэкспертнаясистемастоматолога [46]. «Инновационный медицинский сервер Диагноз.ру» – предлагаетпрограмму, которая он-лайн позволяет выставить предположительный диагноззаболевания на основании жалоб и анамнеза пациента и содержит информацию о240 заболеваниях, затрагивающих все системы органов человека, исключаядерматовенерологию [79]. Средняя вероятность правильной диагностики – 6568%, что приближается к максимально возможному при сборе только жалоб ианамнеза.
Система предназначена для массового скрининга здоровья населения,28упрощения взаимодействия пациентов с клиниками на этапе выбора лечебногоучреждения и постановки диагноза, повышения медицинской грамотностипациентов, проведения ряда ранее невозможных медицинских статистическихисследований.Активно используют системы поддержки принятия решений в хирургии иинтенсивной терапии [122, 302, 316, 338].Интеллектуальные системы поддержки принятия врачебных решенийпозволяют также решить проблему выбора последовательности проведениядиагностических исследований для максимального повышения вероятности ибыстроты установления окончательного диагноза при условии минимизацииматериальных затрат [91, 99, 248, 314, 319, 320]. В качестве примера такойинтеллектуальной системы можно привести экспертную систему ЭСТЕР длядиагностики лекарственных отравлений у детей, помогающую установитьвероятную причину отравления и выдать рекомендации по его лечению с учётомтяжести состояния пострадавшего [115].
В клинической практике используются идругие системы поддержки принятия врачебных решений: HepatoConsult длядиагностики заболеваний печени и желчевыводящих путей [278], GIDEON длядиагностики и лечения 289 инфекционных заболеваний [293], Iliad длядиагностики более 1500 заболеваний внутренних органов [376], ISABEL длядифференциальной диагностики инфекционных заболеваний в педиатрии [357].Однако в дерматовенерологии количество имеющихся интеллектуальных системневелико:американскаясистемаподдержкиврачебныхрешенийвдерматовенерологии VisualDx была впервые представлена в 2006 году ипредназначена для дифференциальной диагностики более 1000 заболеваний кожи,снабжена более 15000 фотографий дерматозов и рекомендована для подготовкидерматологов и врачей общей практики [368, 270]; разработана такжеотечественная экспертная система для диагностики раннего врожденногосифилиса у новорожденных [245], интеллектуальная система по прогнозированиювариантов течения и выбору рациональной лечебной тактики ведения пациентов сгенитальным герпесом [125].
Разрабатываются подобного рода системы и в29дерматогистопатологии – предложена экспертная система «Гистодерм» дляобучения и гистологической диагностики заболеваний кожи [13]. Пакеткомпьютерных экспертных систем «Гистодерм» состоит из 5 компьютерныхпрограмм, объединенных в несколько разделов. Система содержит теоретическиесведенияо223дерматозахиихгистологическихсимптомах,проиллюстрированных более чем 2500 цветных изображений.В качестве критериев клинической эффективности интеллектуальныхсистем многие исследователи приводят такие показатели, как уменьшениеколичества врачебных ошибок при диагностике заболеваний и назначениилекарственныхпрепаратов,повышениеточности,оперативностииинформативности диагностических исследований и, как результат, уменьшениеобщей стоимости лечения, снижение заболеваемости населения и тудопотерь,увеличениестепенисоответствияназначеннойтерапииустановленнымстандартам [12, 13, 43, 46, 62, 73, 87, 99, 122, 124, 126, 128, 129, 130, 146, 209, 215,252, 257, 263, 264, 273, 274, 276, 279, 281, 291, 299, 301, 304, 305, 307, 308, 309,314, 319, 320, 343, 352, 362, 364].Опыт применения экспертных систем в различных областях медициныпозволяет позитивно оценивать перспективы их разработки и широкогоиспользования в дерматовенерологии для решения широкого спектра лечебнодиагностических задач и обучения.1.4.
Интеллектуальные системы поддержки принятия врачебных решений вдерматовенерологииНаиболее перспективной разработкой является американская системаVisualDx, созданная в 2006 году и предназначенная для дифференциальнойдиагностики более 1000 заболеваний кожи. Она содержит около 15000фотографий дерматозов и рекомендована для подготовки дерматологов и врачейобщей практики [368].
VisualDx является JAVA-инструментарием для поддержкипринятия решений. Изначально система была разработана в виде атласа или30учебника с цветными фотографиями, которые использовались в медицинскихучрежденияхВпоследствиидлявизуализацииключевойсимптомовфункциейVisualDxиподтвержденияявилосьдиагноза.содействиезадачесопоставления изображений имеющегося заболевания у конечного пользователя сизображениямисимптомовпрограммы,заболеваний,комбинируясодержащихсяграфическиевпоисковыебазеданныхинструменты,компьютеризированные базы знаний с взаимоотношениями между симптомами идиагнозом и тысячи цифровых изображений. Возможных диагнозов могут бытьсотни, а соответствующих им изображений – тысячи. Для облегчениядиагностического поиска, картинки группируются в диагностические "стопки".Изображения внутри "стопки "сортируются в соответствии с морфологиейпользовательского запроса, предоставляя к просмотру релевантные изображения.«Сложенные»изображенияподиагнозамтакжеконцентрируютсявинформационном пространстве "маленького контактного листа", облегчаяпользователюсравнениедиагностическихзнаний.релевантныхизображенийVisualDxтехнология,–исоответствующихкотораяобеспечиваетинтеллектуальную помощь медицинской библиотеки изображений в сочетании скраткими и регулярно обновляющимися клиническими данными, релевантныйвывод которых сортируется непосредственно под пациента.
Итог – экономиявремени, которое врач затратил бы на консультацию и просмотр несколькихпечатных ресурсов. VisualDx помогает клиницистам рассматривать болееширокий набор состояний, которые могут иметь отношение к пациенту. Системаприоритетов клинического анализа указывает врачу, какие характерные симптомымогут быть опасными для жизни заболеваниями.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
