Professional Documents
Culture Documents
Ενότητα 7η [A]
Συστήματα υποστήριξης κλινικής
απόφασης
Ας υποθέσουμε ότι ο γιατρός είναι εκτός πόλης, ένας ηλικιωμένος ασθενής με χρόνιο
άσθμα εμφανίζει σοβαρό πόνο στο γόνατο και συμβουλεύεται άλλο γιατρό. Δυστυχώς,
μέσα σε 2 μήνες ο ασθενής μεταφέρεται στα επείγοντα με αιμορραγικό έλκος που
προκαλείται από την αλληλεπίδραση του φαρμάκου για το πόνο με το φάρμακο για το
άσθμα του ασθενούς
Ακρίβεια
Ταχύτητα
Συμμετοχή στη ροή εργασίας του χρήστη
Περιβάλλον φιλικό προς το χρήστη
Οι ειδοποιήσεις πρέπει να είναι περιγραφικές
Να δίνονται απλές οδηγίες
Να δίνονται πρόσθετες πληροφορίες μόνο όταν απαιτείται
Διαχείριση και διατήρηση της Βάσης Γνώσης
Υπάρχουν πολλοί διαφορετικοί τύποι κλινικών εργασιών στους
οποίους μπορούν να εφαρμοστούν CDSS
Υποστήριξη Διάγνωσης
Έλεγχος και σχεδιασμός θεραπείας
Έλεγχος συνταγογράφησης
Ειδοποιήσεις και Υπενθυμίσεις
Ανάκτηση Πληροφορίας
Εκπαίδευση
Υποστήριξη διάγνωσης
Το ενδιαφέρον για τα PDSS έχει δημιουργηθεί με την αύξηση των στοιχείων για την
αποτελεσματικότητά τους στη μείωση των σφαλμάτων φαρμακευτικής αγωγής, τα οποία
αποτελούν μία από τις σημαντικότερες αιτίες ιατρογενών βλαβών, θανάτου και κόστους
στα νοσοκομεία (Ινστιτούτο Ιατρικής, 2000, Thomas et al, 1999) . Στις ΗΠΑ εκτιμάται ότι
πάνω από 770.000 άνθρωποι τραυματίζονται ή πεθαίνουν κάθε χρόνο στα νοσοκομεία
ως αποτέλεσμα των ανεπιθύμητων ενεργειών ((Kaushal & Bates, 2001).
Η μεγαλύτερη αναλογία (56%) των ανεπιθύμητων ενεργειών που μπορούν να
αποφευχθούν εμφανίζεται στο στάδιο της παραγγελίας φαρμάκων και μόνο το 4% στη
χορήγηση (Bates et al, 1995).
Τα συστήματα PDSS έχουν τη δυνατότητα να αλλάξουν πρότυπα
συνταγογράφησης οδηγώντας σε πιο αποδοτική επιλογή φαρμάκων
Η συμμόρφωση με την επιλογή γενόσημων φαρμάκων άλλαξε από περίπου 14% πριν
την εφαρμογή σε περισσότερο από 80% 2 μήνες μετά την εφαρμογή του συστήματος
και σε 97% συμμόρφωση στα επόμενα 2 έτη εφαρμογής
Το ποσοστό των παραγγελιών φαρμάκων που υπερέβη τη συνιστώμενη μέγιστη δόση
μειώθηκε από 2% κατά την περίοδο πριν από την εφαρμογή σε λιγότερο από 0,3% 2
έτη μετά την εφαρμογή.
Μεταβλήθηκε η συχνότητα της δόσης για να αντανακλάται η συνιστώμενη συχνότητα,
ενώ η προϋπάρχουσα εφαρμογή συμμόρφωσης 6% μεταφέρεται σε συμμόρφωση
94% σε παρακολούθηση 1, 2 και 3 ετών.
Οι εντολές για αντιπηκτικά για ασθενείς σε ακινησία στο κρεβάτι αυξήθηκαν από 24%
πριν από την εφαρμογή έως 54% μετά από 2 χρόνια παρακολούθησης.
Ηλεκτρονική συνταγογράφηση με ενσωματωμένη υποστήριξη απόφασης
βελτιώνει σημαντικά τη συμμόρφωση με τις συνιστώμενες κλινικές και
κατευθυντήριες γραμμές (Harpole et al, 1997).
Neural Networks
Non-knowledge based Statistical learning
(machine learning) Support vector machines
…
CDSS που δεν χρησιμοποιούν μια βάση γνώσεων, αλλά χρησιμοποιούν μια μορφή
τεχνητής νοημοσύνης που ονομάζεται μηχανική μάθηση, η οποία επιτρέπει στους
υπολογιστές να μαθαίνουν από παραδείγματα βρίσκοντας «πρότυπα» σε κλινικά
δεδομένα
Κατηγορίες CDSS
Knowledge based Or Expert systems
Συστήματα βασισμένα στη γνώση-Έμπειρα συστήματα
3 2
<Συνθήκη> <Αποτέλεσμα>
Working Memory
Κύκλος μηχανής συμπερασμού
(Match-Fire Cycle)
Εξαρτάται από την εφαρμογή και τον τύπο του προβλήματος που θέλουμε να
επιλύσουμε:
Forward chaining: Όταν έχουμε σχετικά λίγα δεδομένα και μεγάλο αριθμό από πιθανές
λύσεις
Backward chaining: Όταν έχουμε μικρό αριθμό συμπερασμάτων και μεγάλο όγκο
δεδομένων (διάγνωση ασθένειας, ταξινόμηση)
MYCIN
Τυπικό παράδειγμα Backward chaining
“The first convincing demonstration of the power of the rule-based approach in the
development of robust clinical –support systems” Mark Musen
• Το MYCIN μπορεί να ζητήσει τα αποτελέσματα μιας εργαστηριακής εξέτασης που δεν έχει ακόμη
ολοκληρωθεί. Σε αυτή τη περίπτωση ο γιατρός μπορεί να απαντήσει ΑΓΝΩΣΤΟ . Αυτό μπορεί να συμβεί
γιατί, κατά τη διάγνωση λοιμώξεων, οι γιατροί σπάνια έχουν την πολυτέλεια να μελετούν ένα πλήρες
σύνολο εργαστηριακών δεδομένων. Αντίθετα, επειδή η έγκαιρη θεραπεία είναι σημαντική, οι γιατροί έχουν
μάθει να εργάζονται από «ελλιπή" σύνολα πληροφοριών. Το MYCIN ανταποκρίνεται σε αυτήν την
κατάσταση με την αποδοχή των ΑΓΝΩΣΤΩΝ (UNKNOWN) ως απάντηση. Όπως ένας ειδικός, το
MYCIN θα αιτιολογήσει με ελλιπείς πληροφορίες.
• Εκτός από άγνωστες πληροφορίες, μπορεί επίσης να υπάρχουν πληροφορίες για τις οποίες ο γιατρός
είναι αβέβαιος. Αμφιβολίες προκύπτουν στη διάγνωση, για παράδειγμα, στην επισήμανση συμπτωμάτων.
Για την αντιμετώπιση της αβεβαιότητας, όλες οι πληροφορίες που δίνονται στο MYCIN ενδέχεται να
περιγράφονται ποιοτικά από έναν παράγοντα βεβαιότητας: έναν αριθμό μεταξύ - 1 και + 1 που
υποδεικνύει τον βαθμό εμπιστοσύνης του γιατρού στην απάντηση που δίνει σε μια ερώτηση. Έτσι, εάν
ένας γιατρός είναι μόνο μέτρια βέβαιος ότι υπάρχει ένα συγκεκριμένο σύμπτωμα, μπορεί να απαντήσει σε
μια ερώτηση πληκτρολογώντας "ΝΑΙ 0.4" για να δείξει μια περιορισμένη εμπιστοσύνη στην απάντηση.
ΔΙΑΦΑΝΕΙΑ (ΠΩΣ? ΓΙΑΤΙ?)
Οι γιατροί, μπορούν να απευθύνουν ερώτηση για το πώς (HOW?) έγινε η εξαγωγή κάποιου συμπεράσματος ή
γιατί (WHY?) το σύστημα ζητά μία συγκεκριμένη πληροφορία. Το MYCIN ανταποκρίνεται σε τέτοιου είδους
ερωτήσεις.
Στο τέλος ο γιατρός εάν το ζητήσει μπορεί να δεί το πλήρες «συλλογιστικό μονοπάτι» MYCIN
ΠΑΡΑΔΕΙΓΜΑ ΔΙΑΒΟΥΛΕΥΣΗΣ
Το MYCIN επιτρέπει στον ιατρό να δηλώσει τι είναι γνωστό. Σε αυτήν την περίπτωση το MYCIN διερευνά
περαιτέρω (ερώτηση 3), ρωτώντας εάν αυτός ο ασθενής έχει εκκρεμείς καλλιέργειες. Στον ασθενή έχει γίνει
καλλιέργεια CSF αλλά ακόμα δεν έχουν ανιχνεύσει κάποιο παθογόνο μικροοργανισμό.
Το MYCIN δεν μπορεί να καταλήξει σε συμπεράσματα από εργαστηριακά ευρήματα, αλλά όπως και ο γιατρός, το
MYCIN συνεχίζει να κάνει ερωτήσεις.
ΠΑΡΑΔΕΙΓΜΑ ΔΙΑΒΟΥΛΕΥΣΗΣ
Οι ερωτήσεις 7 και 8 του MYCIN δείχνουν μια πιο παραδοσιακή προσέγγιση της διάγνωσης βάση συμπτωμάτων, και
αφού έλαβε την απάντηση στην ερώτηση 8, το MYCIN αναφέρει το πρώτο του συμπέρασμα:
Η πιθανή μόλυνση είναι μηνιγγίτιδα.
Στη συνέχεια, το MYCIN ξεκινά μια άλλη γραμμή συλλογιστικής που στοχεύει στον εντοπισμό των συγκεκριμένων
οργανισμών που είναι υπεύθυνοι για τη μηνιγγίτιδα
ΠΑΡΑΔΕΙΓΜΑ ΔΙΑΒΟΥΛΕΥΣΗΣ
Απάντηση στο 13: [ Αυτό θα βοηθήσει στον προσδιορισμό των οργανισμών (εκτός από αυτούς που
παρατηρούνται σε καλλιέργειες ή επιχρίσματα) που μπορεί να έχουν προκαλέσει τη μόλυνση ]
Όταν ρωτήθηκε εάν ο ασθενής είναι θύμα εγκαυμάτων (ερώτηση 13), ο γιατρός ανταποκρίνεται πληκτρολογώντας
ΓΙΑΤΙ
Στη συνέχεια το ΜYCIN εξηγεί γιατί χρειάζεται αυτή την πληροφορία εμφανίζοντας τον συγκεκριμένο ευρετικό κανόνα
(π.χ κανόνας 578) και εξηγεί περεταίρω πώς οι ζητούμενες πληροφορίες θα ήταν χρήσιμες.
[δηλ. ΓΙΑΤΙ είναι σημαντικό να καθοριστεί εάν το SALLY έχει καεί σοβαρά;]
ΠΑΡΑΔΕΙΓΜΑ ΔΙΑΒΟΥΛΕΥΣΗΣ
Ο γιατρός τώρα είναι περίεργος για το πώς το MYCIN μπόρεσε να συμπεράνει ότι ο τύπος του της μόλυνσης είναι
βακτηριακή.
Το "HOW 1.3" είναι ένα αίτημα να εξηγήσει το σύστημα MYCIN πώς έφτασε σε αυτή τη διατύπωση
Με τον τρόπο αυτό, πληκτρολογώντας επανειλημένα πώς (Ηow), ο γιατρός μπορεί να "ξεδιπλώσει προς τα πίσω" τη
συλλογιστική κατά MYCIN.
ΔΙΑΦΑΝΕΙΑ (ΠΩΣ? ΓΙΑΤΙ?)
HOW [1.3]
To MYCIN έχει τέσσερις κανόνες που υποστηρίζουν την πιθανότητα να είναι η μόλυνση βακτηριακή, και
ένας κανόνας που υποδηλώνει (συντελεστής βεβαιότητας 0.17) ότι η λοίμωξη δεν είναι. Το MYCIN εξετάζει
και τις δύο δυνατότητες.
Οι ακόλουθοι κανόνες συμπέραναν σχετικά με: την πιθανότητα να είναι ο τύπος της λοίμωξης βακτηριακός
Έτσι, έχει αποδειχθεί ότι ο τύπος της λοίμωξης μπορεί να είναι βακτηριακός.
Το ΜYCIN Προτείνει Θεραπεία
Οι συστάσεις της θεραπείας θα σχεδιαστούν με βάση την πιθανή ύπαρξη παθογόνων οργανισμών:
Μικρή πιθανότητα εύρεσης, αλλά με σημαντική επίδραση στο σχήμα της θεραπείας εάν πραγματικά
ανιχνευθούν.
Το MYCIN στη συνέχεια θα ελέγξει για γνωστές αλλεργίες (φύλλο, βάρος ασθενή) και για άλλα
χαρακτηριστικά που σχετίζονται με τη χρήση συγκεκριμένων φαρμάκων
Το ΜYCIN Προτείνει Θεραπεία
Αν και υπάρχει υποψία ότι παρουσίας παθογόνου μύκητα δεν θα προτείνω αντιμυκητιασική θεραπεία αυτή
τη στιγμή.
Λάβετε δείγματα για καλλιέργειες μυκήτων, φυματίωσης και ιών, κυτταρολογικές εξετάσεις (αίμα και CSF),
κρυπτοκοκκικό αντιγόνο (αίμα και CSF), ιικές συγκεντρώσεις (αίμα και CSF).
ΠΕΡΙΟΡΙΣΜΟΙ
Το MYCIN έχει αξιολογηθεί με διάφορους τρόπους. Η επιτυχία του με αρκετές εκατοντάδες περιπτώσεις
έχει επιβεβαιώσει την ικανότητά του στον εντοπισμό των μολυσματικών παραγόντων, επιλέγοντας
κατάλληλες δόσεις αποτελεσματικών φαρμάκων και συνιστώντας πρόσθετες διαγνωστικές εξετάσεις.
Σε μια εκτενή αξιολόγηση, οκτώ ανεξάρτητοι αξιολογητές με ειδική εμπειρία στην αντιμετώπιση της μηνιγγίτιδας
συνέκριναν την επιλογή φαρμάκων του MYCIN με τις αντίστοιχες επιλογές συνταγογράφισης που δόθηκαν από
εννέα ειδικούς γιατρούς με εξειδίκευση στην διαχείριση δύσκολων περιπτώσεων μηνιγγίτιδας.
Η επιλογή των φαρμάκων σε περιπτώσεις μηνιγγίτιδας έγινε πριν προσδιοριστεί ο αιτιολογικός μολυσματικός
παράγοντας.
Στην πρώτη φάση της αξιολόγησης, MYCIN και ειδικοί γιατροί από την ιατρική σχολή του Στάνφορντ
αξιολόγησαν 10 περιπτώσεις που επιλέχθηκαν για να προσφέρουν μεγάλη ποικιλία και πολυπλοκότητα στη
διάγνωση.
Στη δεύτερη φάση, ειδικοί μολυσματικών ασθενειών αξιολόγησαν κάθε περίπτωση, εξέτασαν τις διαγνώσεις και
τις συνταγογραφήσεις, χωρίς να γνωρίζουν ότι στη μελέτη συμμετέχει και ένα υπολογιστικό σύστημα.
Πόσο καλό “ΕΜΠΕΙΡΟΓΝΩΜΟΝΟ” είναι το MYCIN?
Πρώτον, οι συνταγές αξιολογήθηκαν για να δουν εάν τα προτεινόμενα φάρμακα θα ήταν αποτελεσματικά έναντι
του πραγματικού μολυσματικού παράγοντα αφότου εντοπίστηκε τελικά.
Το MYCIN και τρείς από τους 9 ειδικούς γιατρούς συνταγογράφησαν θεραπεία αποτελεσματική και για τις 10
περιπτώσεις.
Το δεύτερο κριτήριο ήταν εάν τα συνταγογραφούμενα φάρμακα κάλυπταν επαρκώς άλλους παθογόνους
παράγοντες αποφεύγοντας παράλληλα την υπερβολική συνταγογράφηση. Χρησιμοποιώντας αυτό το κριτήριο,
το MYCIN έλαβε την υψηλότερη βαθμολογία.
Οι αξιολογητές συνολικά έκριναν σωστές τις συνταγογραφήσεις του MYCIN σε ποσοστό 65% των περιπτώσεων
ενώ οι αντίστοιχες των ειδικών κυμαίνονταν σε ποσοστό 42.5%-62.5%.
Πού οφείλεται η ισχύς του MYCIN έναντι των γιατρών
με υψηλή ειδίκευση ?
Για την εποχή που δημιουργήθηκε:
1. Η βάση γνώσεων του MYCIN, που προέρχεται από τους καλύτερους ειδικούς επαγγελματίες, είναι εξαιρετικά
λεπτομερής και περιεκτική. Το MYCIN κατέχει τη ειδική γνώση αυτή των περισσότερων ιατρών στο τομέα της
μηνιγγίτιδας.
2. Το MYCIN δεν παραβλέπει τίποτα ούτε ξεχνάει λεπτομέρειες. Εξετάζει κάθε ενδεχόμενο. Υπάρχει ένα
δημοφιλές ρητό μεταξύ των γιατρών : "Κάποιος πρέπει να σκεφτεί την ασθένεια για να αναγνωρίσει τα
συμπτώματά της ". Το MYCIN εξετάζει κάθε δυνατή ασθένεια που "γνωρίζει". Δεν δίνει άμεσα συμπεράσματα
παραλείποντας κομμάτια σημαντικών πληροφοριών (πληροφορίες κλειδιά). Ανεξάρτητα από το πόσο
προφανής είναι η ασθένεια, η μέθοδος MYCIN ιατρικά ελέγχει όλες τις λεπτομέρειες και εξετάζει όλες τις
εναλλακτικές.
3. Το MYCIN συντηρείται σε ένα μεγάλο ιατρικό κέντρο (Stanford) και, κατά συνέπεια, είναι πλήρες
ενημερωμένο. Αρκετές από τις συστάσεις θεραπείας βασίζονται σε πρόσφατα δεδομένα δημοσιευμένα σε
εξειδικευμένα περιοδικά. Τέτοιες πληροφορίες δεν υπάρχουν σε εγχειρίδια και θα ήταν γνωστά μόνο από
ειδικούς που παρακολουθούν τα περιοδικά και που θυμούνται να ενσωματώσουν νέες πληροφορίες στις
διαγνωστικές τους διαδικασίες.
Είναι εύκολη η ενημέρωση, επέκταση ενός έμπειρου
συστήματος σαν το MYCIN?
Το αρχικό πρόγραμμα MYCIN έχει αλλάξει πολλές φορές για διάφορους ερευνητικούς σκοπούς.
Το MYCIN είναι εύκολο να αλλάξει. Κάθε ένας από τους κανόνες του MYCIN είναι μια ξεχωριστή
ενότητα. Οποιοσδήποτε κανόνας μπορεί να αφαιρεθεί, και το σύστημα θα συνεχίσει να λειτουργεί.
Ομοίως, μπορεί να τροποποιηθεί ή μπορεί να προστεθεί ένας νέος κανόνας και το σύστημα θα
είναι αμέσως έτοιμο να παρέχει συμβουλές. Οι κανόνες μπορούν να αλλάξουν σε λίγα λεπτά.
Σύστημα Περιγραφή
ACUTE CARE SYSTEMS
(Dugas et al. 2002), Decision support in hepatic surgery
LABORATORY SYSTEMS
GERMWATCHER (Kahn et al.,1993) Analysis of nosocomial infections
Το σύστημα PUFF (Snow et al., 1988) για την αυτόματη ερμηνεία των δοκιμασιών πνευμονικής
λειτουργίας έχει πωληθεί στην εμπορική του μορφή σε εκατοντάδες περιοχές παγκοσμίως. Το PUFF
ξεκίνησε την εφαρμογή του στο Pacific Presbyterian Medical Center του Σαν Φρανσίσκο το 1977,
καθιστώντας το ένα από τα πολύ πρώιμα ιατρικά συστήματα που χρησιμοποιούνται στην πράξη.
Ένα πιο γενικό παράδειγμα αυτού του τύπου συστήματος είναι το PEIRS (Pathology Expert
Interpretative Reporting System) (Edwards et al., 1993). Κατά τη διάρκεια της περιόδου
λειτουργίας του, το PEIRS ερμήνευσε περίπου 80-100 αναφορές ημερησίως με διαγνωστική
ακρίβεια περίπου 95%. Αντιπροσώπευε περίπου το 20% όλων των εκθέσεων που παρήγαγε το
Τμήμα Χημικής Παθολογίας του νοσοκομείου. Το PEIRS ανέφερε τεστ θυρεοειδούς, αρτηριακά αέρια
αίματος, κατεχολαμίνες ούρων και πλάσματος, hCG (ανθρώπινη χοριακή γοναδοτροπίνη) και AFP
(αλφα φετοπρωτεΐνη), δοκιμές ανοχής γλυκόζης, κορτιζόλη, γαστρίνη, φαινότυποι χολινεστεράσης
και πεπτίδιο σχετιζόμενο με παραθυρεοειδής ορμόνη (PTH-RP).
Μερικά Παραδείγματα...
EDUCATIONAL SYSTEMS
DXPLAIN (Barnett et al., Internal medicine expert system
1987)
ILLIAD (Warner et al., 1988) Internal medicine expert system
HELP (Kuperman et al., 1991) Knowledge-based hospital
information system
...και ακολουθούν αρκετές εκατοντάδες....
DXplain
σύστημα υποστήριξης κλινικών αποφάσεων (
Barnett et al., 1987)
Σχεδιάστηκε για να βοηθήσει στη διαδικασία της διάγνωσης, λαμβάνοντας μια
σειρά από κλινικά ευρήματα (όπως συμπτώματα, αποτελέσματα εξετάσεων κά).
Παρέχει δικαιολογία για τις διαφορικές διαγνώσεις και προτείνει περαιτέρω
διερεύνηση.
Έχει μία βάση γνώσης στην οποία έχουν καταγραφεί περί τα 5000 κλινικά
ευρήματα τα οποία σχετίζονται με πάνω από 2200 διαφορετικές ασθένειες, και
περίπου πάνω απο 230000 συσχετίσεις ευρήματος-ασθένειας.
Παρέχει αιτιολόγηση για το λόγο για τον οποίο μπορεί να εξεταστεί κάθε μία από
αυτές τις ασθένειες
Υποδεικνύει ποιες περαιτέρω κλινικές πληροφορίες θα ήταν χρήσιμες και
παραθέτει ποιες κλινικές εκδηλώσεις, αν υπάρχουν, θα ήταν ασυνήθιστες ή
άτυπες για κάθε συγκεκριμένη ασθένεια
Η βάση γνώσης και το σύστημα συνεχώς βελτιώνονται και προσαρμόζονται ως
αποτέλεσμα σχολίων από τους χρήστες.
DXplain σύστημα υποστήριξης κλινικών
αποφάσεων (Barnett et al., 1987)
Η μεγάλη βάση γνώσης συνδυασμένη με την ικανότητα να διατυπώνει υποθέσεις διάγνωσης το έχουν
καταστήσει διάσημο εκπαιδευτικό εργαλείο στις ιατρικές σχολές της Αμερικής.
Το DXPlain έχει τα χαρακτηριστικά τόσο ενός ηλεκτρονικού ιατρικού εγχειριδίου όσο και ενός
συστήματος ιατρικής βιβλιογραφικής αναφοράς.
Στον ρόλο ενός ιατρικού εγχειριδίου, το DXplain μπορεί να παρέχει μια περιεκτική περιγραφή περί τις
2200 διαφορετικές ασθένειες, υπογραμμίζοντας τα σημεία και τα συμπτώματα που εμφανίζονται σε
κάθε νόσο, την αιτιολογία, την παθολογία και την πρόγνωση.
Επίσης παρέχει έως και 10 πρόσφατες αναφορές που έχουν επιλεγεί ως κατάλληλο υλικό
βιβλιογραφικής αναφοράς (Medline) για κάθε συγκεκριμένη ασθένεια.
Επιπλέον, το DXplain μπορεί να παράσχει έναν κατάλογο ασθενειών που θα πρέπει να εξετάζονται
για οποιαδήποτε από τις 5.000 διαφορετικές κλινικές εκδηλώσεις (σημεία, συμπτώματα και
εργαστηριακές εξετάσεις).