Πληροφορική της Υγείας

Ενότητα 7η [A]
Συστήματα υποστήριξης κλινικής
απόφασης

Η υπεύθυνη του μαθήματος

Παναγιώτα Σπυρίδωνος
E-mail: pspyrid@uoi.gr
Περιεχόμενα
 Συστήματα υποστήριξης κλινικής απόφασης
(CDSS)
 Κατηγορίες CDSS
 Έμπειρα συστήματα
 Έμπειρα συστήματα λογικών κανόνων
 Παραδείγματα
 Αβέβαια δεδομένα-Κανόνας Bayes
 Παραδείγματα
 Δέντρα απόφασης
 Μηχανική μάθηση
Συστήματα Υποστήριξης Κλινικής
Απόφασης
Clinical Decision Support Systems (CDSS)

CDSS: εφαρμόζουν τις πιο έγκυρες ιατρικές

γνώσεις στα δεδομένα των ασθενών με σκοπό
τη δημιουργία συμβουλών για τη λήψη
απόφασης βελτιώνοντας την ποιότητα και το
κόστος στη φροντίδα υγείας.
Συστήματα Υποστήριξης Κλινικής
Απόφασης
Clinical Decision Support Systems (CDSS)
Στη φροντίδα υγείας τα βασικά και κύρια βήματα είναι:
Απόφαση που σχετίζεται με τη Διάγνωση
Απόφαση που σχετίζεται με τη Θεραπεία
Ωστόσο κατά τη διαδικασία παροχής υγεινομικής φροντίδας ο γιατρός θα
πρέπει να αποφασίσει τι διαδικασίες θα ακουθουθηθούν, τι εξετάσεις
(εργαστηριακές-απεικονιστικές) θα γίνουν, πόσο συχνά θα παρακουθείται ο
ασθενής, πότε θα πρέπει να γίνει αλλαγή του θεραπευτικού σχήματος
(ασθενείς με χρόνιες ασθένειες) κ.α
Σε κάθε περίπτωση η «στρατηγική» για τη λήψη
ιατρικής απόφασης είναι:
Μέγιστο ώφελος για τον ασθενή (και γενικότερα για
τον πληθυσμό)
Ελάχιστος κίνδυνος (ελαχιστοποίηση σφαλμάτων)
και κόστος
 Συστήματα Υποστήριξης Κλινικής
Απόφασης
Clinical Decision Support Systems (CDSS)

Η διαδικασία λήψης απόφασης είναι πολύπλοκη διαδικασία η

οποία χρειάζεται συλλογιστική που βασίζεται σε:
γεγονότα (ιστορικό του ασθενή, αποτελέσματα εξετάσεων
(εργαστηριακές, απεικονιστικές ,φυσική εξέταση))
υπάρχουσα γνώση (γνώση που έχει ο γιατρός, αλλά και
γνώση που υπάρχει σε βιβλία, και ηλεκτρονικές βάσεις)
 Computer-aided decision

Η επίλυση προβλημάτων είναι η συλλογιστική από τα γεγονότα για τη

δημιουργία εναλλακτικών λύσεων και στη συνέχεια η επιλογή της
επικρατέστερης λύσης
Computer-aided decision
Ένα υπολογιστικό σύστημα μπορεί να βοηθήσει (υπόστηρίξει)
τη λήψη απόφασης σε διάφορα επίπεδα

I. Συλλογή δεδομένων (να συνδυάσει δεδομένα πληροφορίες

από ετερογενείς πηγές) Πρόσβαση σε ηλεκτρονικές βάσεις
γνώσεις, βάσεις πληροφοριών, όπως βάσεις φαρμάκων,
βάσεις γονιδιώματος, κατευθυντήριες γραμμές (clinical
guidelines) ,θεραπευτικά πρωτόκολλα κ.α
II. Συλλογιστική και λήψη απόφασης
CDSS Οφέλη
Γνώση στο σημείο της φροντίδας – Δεύτερη γνώμη
Βελτίωση της ασφάλειας των ασθενών
Μείωση των ιατρικών σφαλμάτων
Βελτίωση της φαρμακευτικής αγωγής
Βελτίωση της ποιότητας της περίθαλψης
Βελτίωση της αποτελεσματικότητας στην παροχή υγειονομικής περίθαλψης
Εφαρμογή των κλινικών κατευθυντήριων γραμμών- Ιατρική βασισμένη στα
αποδεικτικά στοιχεία -Βελτιωμένη κλινική τεκμηρίωση (apply evidence
based medicine)
Μείωση κόστους, μείωση επαναληπτικών δοκιμών, μείωση των
ανεπιθύμητων συμβάντων
 EHR-CDSS Παράδειγμα

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

Πώς βοηθά ΕΗR-CDSS?

Ο ιατρός εισάγει τα κλινικά δεδομένα του ασθενούς

H βάση γνώσεων του συστήματος και το το λογισμικό παρέχει τεκμηριωμένες
συστάσεις (συμβουλές) για την λήψη απόφασης από τον γιατρό
Χαρακτηριστικά ενός αποτελεσματικού CDSS

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

Όταν η περίπτωση ενός ασθενή είναι πολύπλοκη, σπάνια ή το άτομο που

κάνει τη διάγνωση απλώς δεν έχει πείρα, ένα έμπειρο σύστημα μπορεί να
βοηθήσει στη διατύπωση πιθανών διαγνώσεων με βάση τα δεδομένα
ασθενή που του παρουσιάζονται και τη βάση γνώσης που διαθέτει.
Συχνά απαιτείται διαγνωστική βοήθεια με πολύπλοκα δεδομένα, όπου οι
περισσότεροι κλινικοί γιατροί μπορούν να κάνουν απλές διαγνώσεις, αλλά
μπορεί να χάσουν σπάνιες παρουσιάσεις κοινών ασθενειών ή να
δυσκολευτούν να διατυπώσουν διαγνώσεις, οι οποίες συνήθως απαιτούν
εξειδικευμένη εμπειρία.
 Έλεγχος και σχεδιασμός θεραπείας

Τα συστήματα "ελέγχου" μπορούν να αναζητήσουν ασυνέπειες, σφάλματα και

παραλείψεις σε ένα υπάρχον πλάνο θεραπείας, αλλά δεν βοηθούν στη δημιουργία
του σχεδίου. Τα συστήματα ελέγχου μπορούν να εφαρμοστούν στην είσοδο εντολών
ιατρού. Για παράδειγμα, κατά την εισαγωγή μιας εντολής για μετάγγιση αίματος ένας
κλινικός ιατρός μπορεί να λάβει ένα μήνυμα που δηλώνει ότι το επίπεδο
αιμοσφαιρίνης του ασθενούς είναι πάνω από το κατώτατο όριο της μετάγγισης και ο
κλινικός γιατρός πρέπει να αιτιολογήσει τη σειρά δηλώνοντας μια ένδειξη όπως
ενεργή αιμορραγία (Randolph et al. , 1999).
Τα συστήματα σχεδιασμού από την άλλη πλευρά έχουν περισσότερες γνώσεις
σχετικά με τη δομή των πρωτοκόλλων θεραπείας και μπορούν να
χρησιμοποιηθούν για τη διαμόρφωση μιας θεραπείας βασισμένης σε δεδομένα
σχετικά με την ειδική κατάσταση του ασθενούς από το EMR/EHR και αποδεκτές
κατευθυντήριες γραμμές θεραπείας.

 openEHR: -Υποστήριξη κλινικής απόφασης (Guidelines definition language)

-Σχεδιασμός ροής εργασιών Task Planning Visual Modelling Language (TP-VML)
 Ειδοποιήσεις και Υπενθυμίσεις

Σε καταστάσεις πραγματικού χρόνου, ένα εξειδικευμένο σύστημα που

συνδέεται με μια συσκευή παρακολούθησης ασθενούς, όπως ένα
ηλεκτροκαρδιογράφημα ή ένα παλμικό οξύμετρο, μπορεί να προειδοποιήσει
για αλλαγές στην κατάσταση ενός ασθενούς.

Σε λιγότερο οξείες περιπτώσεις, θα μπορούσε με βάση τα αποτελέσματα των

εργαστηριακών εξετάσεων, (ή με βάση στοιχεία από τον EHR) να στείλει
υπενθυμίσεις ή προειδοποιήσεις, για παρακολούθηση, αλλαγή φαρμακευτικής
αγωγής, επανεξέταση, προγραμματισμένος εμβολιασμός.
Τα συστήματα υπενθυμίσεων χρησιμοποιούνται για να ενημερώσουν τους
κλινικούς ιατρούς για σημαντικά καθήκοντα που πρέπει να γίνουν στη
παρακολούθηση των ασθενών.
 Υποστήριξη αποφάσεων στη συνταγογράφηση
Prescribing decision support systems (PDSS)
Ένα από τα συνηθέστερα κλινικά καθήκοντα είναι η συνταγογράφηση
φαρμάκων και ένα σύστημα PDSS μπορεί να βοηθήσει με τον έλεγχο των
αλληλεπιδράσεων, των σφαλμάτων δοσολογίας και, εάν συνδεθεί με ένα EHR,
για άλλες συνταγογραφούμενες αντενδείξεις όπως αλλεργικές αντιδράσεις

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

Οι Teich et al (2000) εξέτασαν τέσσερις συγκεκριμένες παρεμβάσεις υποστήριξης

αποφάσεων για φάρμακα:
1. Προτροπή να χρησιμοποιηθεί ένα φθηνότερο φάρμακο γενικής χρήσης όταν αρχικά
παραγγέλθηκε ένα ακριβότερο φάρμακο.
2. Παρουσίαση μιας λίστας προτεινόμενων δόσεων φαρμάκου για κάθε παραγγελία
φαρμάκου.
3. Μια επισημασμένη συνιστώμενη συχνότητα δόσης για συγκεκριμένα ενδοφλέβια
φάρμακα.
4. Μια προτροπή για χορήγηση αντιπηκτικών σε ασθενείς σε ακινησία στο κρεβάτι
 Για όλες τις παρεμβάσεις παραγγελιών φαρμάκων διαπιστώθηκε άμεση θετική
επίδραση:

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).

Σε μία τυχαιοποιημένη μελέτη των οδηγιών για τα αντιβιοτικά, σε ένα ποσοστό

κλινικών γιατρών ένα ηλεκτρονικό σύστημα συνταγογράφησης έδειξε οδηγίες για τη
συνταγογράφηση της βανκομυκίνης όταν προσπάθησαν να παραγγείλουν αυτό το
αντιβιοτικό (Shojania et al., 1998). Η χρήση της βανκομυκίνης μειώθηκε κατά 30%
με τις κατευθυντήριες οδηγίες και, όταν χορηγήθηκε, το φάρμακο χορηγήθηκε
για σημαντικά μικρότερη διάρκεια σε σύγκριση με την ομάδα ελέγχου.
Οι επισημάνσεις έχουν αποδειχθεί ότι οδηγούν σε ταχύτερη θεραπεία, επισημαίνοντας
τους ασθενείς των οποίων η φαρμακευτική αγωγή χρειάζεται ανασκόπηση. Για
παράδειγμα, οι Rind et al (1994) αξιολόγησαν την επίδραση ενός συστήματος
προειδοποίησης σε γιατρούς που παρακολουθούσαν ασθενείς που εμφανίζουν
αυξανόμενα επίπεδα κρεατινίνης και λαμβάνουν νεφροτοξικά φάρμακα. Διαπίστωσαν
ότι η χρήση των ειδοποιήσεων συσχετίστηκε με μια σημαντικά ταχύτερη μέση
ανταπόκριση στην αλλαγή των φαρμάκων των ασθενών.
 Κατηγορίες CDSS

Rule-based systems & Evidence based systems

Knowledge based Probabilistic
Fuzzy logic systems
….

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

Έμπειρο σύστημα (Expert system):

«... ένα έξυπνο πρόγραμμα υπολογιστή που
χρησιμοποιεί γνώσεις και διαδικασίες εξαγωγής
συμπερασμάτων για την επίλυση προβλημάτων αρκετά
δύσκολων ώστε να απαιτούν σημαντική
εμπειρογνωμοσύνη» - Feigenbaum

Τα έμπειρα συστηματα σχεδιάζονται για να βελτιώσουν την ποιότητα και

την διαθεσιμότητα της γνώσης που απαιτείται για την λήψη απόφασης

Οι πρώτες επιτυχημένες εφαρμογές της τεχνητής νοημοσύνης στην ιατρική

 Ευρετική γνώση
(Heuristics)
1

3 2

Γνώση βασισμένη στις

«ενδείξεις»
Τα κύρια μέρη ενός έμπειρου συστήματος (Evidence based
Knowledge)

1. Βάση Γνώσης (knowledge base)

2. Μηχανή συμπερασμού (inference engine)

3. Διεπαφή χρήστη (user interface)

 Βάση Γνώσης

Η «δυναμική» ενός έμπειρου συστήματος πηγάζει από τις

εξειδικευμένες γνώσεις που χρησιμοποιεί σε έναν ειδικό τομέα. Η
βάση γνώσεων ενός έμπειρου συστήματος μπορεί να
αναπαριστά τόσο την ευρετική (εμπειρική) γνώση των ειδικών,
όσο και την τεκμηριωμένη γνώση βασισμένη σε ενδείξεις
(evidence based knowledge)
Σε μία βάση γνώσης, η γνώση μπορεί να αναπαρίσταται με:
• Λογικούς κανόνες (Rule-based systems –Decision trees )
• Πιθανοκρατικούς κανόνες (Probabilistic or Bayesian Networks)
• Κανόνες ασαφούς λογικής (Fuzzy logic systems)
• Σημασιολογικά δίκτυα (Semantic networks)
…
 Μηχανή συμπερασμού

Η μηχανή συμπερασμού παρέχει μια μεθοδολογία για τη

συλλογιστική σχετικά με τις πληροφορίες στη βάση γνώσεων.
Στόχος της είναι να καταλήξει σε μια σύσταση επίλυσης
προβλήματος συνδυάζοντας τα γεγονότα μιας συγκεκριμένης
περίπτωσης (δεδομένα εισόδου) με τις γνώσεις που περιέχονται
στη βάση γνώσης.

Οι μέθοδοι «συλλογιστικής» μιας μηχανής συμπερασμού

εξαρτώνται από το τρόπο αναπαράστασης της γνώσης στη βάση
γνώσης (π.χ λογικοί κανόνες) και από τον τύπο επίλυσης του
προβλήματος (π.χ forward/backward chaining)
 Διεπαφή χρήστη

Η διεπαφή χρήστη είναι ο τρόπος (η μέθοδος) με την οποία το

έμπειρο σύστημα αλληλεπιδρά με έναν χρήστη (πλαίσια διαλόγου,
φόρμες εισαγωγής δεδομένων κ.α).

Σύγχρονα έμπειρα συστήματα θα πρέπει να έχουν τους

κατάλληλους μηχανισμούς συναλλαγών με άλλες ηλεκτρονικές
εφαρμογές χωρίς να αλληλεπιδρούν άμμεσα με το άνθρωπο.
(Σκεφτείτε το παράδειγμα CDSS για τον έλεγχο συνταγογράφησης)
Το κομμάτι της διεπαφής είναι ιδιαίτερα σημαντικό και θα πρέπει
να εναρμονίζεται/ενσωματώνεται στη ροή εργασίας του κλινικού
γιατρού.
 Δυνατότητα Ερμηνίας

Η μέθοδος συλλογιστικής με την οποία ένα έμπειρο σύστημα

καταλήγει σε ένα συμπέρασμα μπορεί να μην είναι προφανής
σε έναν άνθρωπο χρήστη.
Τα έμπειρα συστήματα θα πρέπει να είναι «ικανά» να
εξήγήσουν/περιγράψουν τη διαδικασία συλλογισμού που
οδήγησε στην τελική απάντηση του συστήματος.
(Διαφάνεια στον τρόπο «συλλογιστικής»)
 Έμπειρα συστήματα βασισμένα σε λογικούς
κανόνες (Rule based expert systems)

Η βάση γνώσης αποτελείται από λογικούς κανόνες της μορφής:

<Συνθήκη> <Αποτέλεσμα>

Σε έναν κανόνα όταν το κομμάτι <Συνθήκη> ικανοποιείται τότε

λέγεται ότι ο κανόνας πυροδοτείται (fired) δηλαδή εκτελείται
δίνοντας το <Αποτέλεσμα>
Ένας IF THEN κανόνας μπορεί να συνδυάζει έναν ή
περισσότερους λογικούς τελεστές (AND, OR, NOT)
Working memory: Περιέχει τα γεγονότα-δεδομένα που περιγράφουν μια
τρέχουσα κατάσταση ή ένα περιστατικό (δεδομένα εισόδου) καθώς και τα
ενδιάμεσα αποτελέσματα που προκύπτουν κατά την εκτέλεση των κανόνων
Η μηχανή συμπερασμού συγκρίνει κάθε κανόνα που βρίσκεται στη βάση
γνώσης με τα δεδομένα εισόδου (facts in working memory). Όταν
ικανοποιείται ένας κανόνας ενεργοποιείται, και εκτελείται
Κύκλος μηχανής συμπερασμού
(Match-Fire Cycle)

Working Memory
 Κύκλος μηχανής συμπερασμού
(Match-Fire Cycle)

Όταν σε έναν κύκλο ικανοποιούνται περισσότεροι από ένας κανόνες, τότε

έχουμε ένα σύνολο από κανόνες σε διένεξη (set of conflicted rules), έχουμε
δηλαδή ένα σύνολο ενεργοποιημένων κανόνων, που δεν έχουν
εκτελεστεί.
Όταν έχουμε πολλούς ενεργοποιημένους κανόνες ΜΟΝΟ ένας κανόνας μπορεί
να επιλεχτεί και να εκτελεστεί.
Η μέθοδος που επιλέγει το ποιός κανόνας θα εκτελεστεί ονομάζεται «μέθοδος
επίλυσης διενέξεων»
Όταν εκτελεστεί ο επιλεγμένος κανόνας, ενημερώνονται τα δεδομένα τα οποία
εν δυνάμει μπορεί να ενεργοποιήσουν άλλους κανόνες στη βάση γνώσης, και
έτσι να ακολουθηθεί μια αλυσίδα «πυροδοτήσεων» (chain inference).
Όταν δεν υπάρχουν πλέον ενεργοποιημένοι κανόνες η διαδικασία έχει
ολοκληρωθεί οδηγώντας στο τελικό αποτέλεσμα (π.χ διάγνωση).
 Working
Memory
AΒDE

Σε πόσους κύκλους ολοκληρώνεται η διαδικασία?

 Υπάρχουν δύο βασικές μέθοδοι εξαγωγής συμπερασμάτων:

Forward chaining: Διαδικασία «συλλογισμού» η οποία καθοδηγείται από τα

δεδομένα (data driven reasoning) για να εξάγει τελικό συμπέρασμα
Backward chaining: Διαδικασία «συλλογισμού» η οποία καθοδηγείται από
μία αρχική υπόθεση (goal driven) και διερευνά το κατά πόσο τα διαθέσιμα
δεδομένα την επιβεβαιώνουν, την επαληθεύουν.
Παράδειγμα forward chaining
 Backward chaining
Ορίζουμε την υπόθεση (στόχο), και ψάχνουμε τη βάση γνώσης (knowledge
base) εάν υπάρχουν IF... THEN... κανόνες που ικανοποιούν την υπόθεσή μας,
κανόνες δηλαδή που αν εκτελεστούν, οδηγούν στον αρχικό στόχο.
Εάν υπάρχουν τέτοιοι κανόνες και τα διαθέσιμα γεγονότα-δεδομένα τους
ενεργοποιούν τότε η αρχική υπόθεση έχει επιβεβαιωθεί.
Εάν δεν υπάρχουν τα διαθέσιμα γεγονότα-δεδομένα για να ικανοποιήσουν τους
κανόνες, οι κανόνες αυτοί λέμε ότι στοιβάζονται (stacked rules), και επιλύουμε
υπό-προβλήματα:
 Υποθέτουμε το αριστερό κομμάτι των κανόνων (IF…) και αναζητάμε
ενδείξεις ότι ικανοποιείται.
 Ψάχνουμε ξανά τη βάση γνώσης για κανόνες που ταιριάζουν με τα νέα
υπό-προβλήματα.
 Η διαδικασία έχει ολοκληρωθεί όταν όλοι οι κανόνες σε στοιβάδα έχουν
εκτελεστεί.
Παράδειγμα backward chaining
 Ποιά μέθοδος είναι καταλληλότερη?
Forward or Backward chaining?

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

Σχεδιάστηκε από τον Ted Shortliffe (Standford University,1976) για τη διάγνωση

βακτηρίων που προκαλούν σοβαρές λοιμώξεις (βακτηριαιμία ή μηνιγγίτιδα) και να
προτείνει θεραπεία (επιλογή αντιβιοτικού σταθμισμένη στο βάρος,ηλικία, και
λειτουργία νεφρών του ασθενή). Αργότερα αναπτύχθηκε περεταίρω και
χρησιμοποιήθηκε για τη διάγνωση και άλλων μολυσματικών ασθενειών.
Η βάση γνώσης του MYCIN αποτελείται από ένα σύνολο από 600 περίπου κανόνες
της μορφής IF…. THEN….

Παράδειγμα από τη βάση γνώσης MYCIN:

Η διάγνωση «σταφυλόκοκος» δίνεται με πεποίθηση

(βεβαιότητα) 70%
Έρευνες που έγιναν στην Ιατρική σχολή του Stanford έδειξαν
ότι το σύστημα MYCIN έδωσε ικανοποιητική διάγνωση-
θεραπεία στο σύνολο των περιπτώσεων, απόδοση η οποία
ήταν καλύτερη από αυτή των ειδικών οι οποίοι κλήθηκαν να
πάρουν απόφαση με τα ίδια κριτήρια.

Η μελέτη αυτή έγινε αναφορά αργότερα από πάρα πολλούς

ερευνητές δεικνύοντας την πιθανότητα ασυμφωνίας μεταξύ των
ειδικών γιατρών στις αποφάσεις τους.

Yu VL, et al. Antimicrobial selection by a computer - a

blinded evaluation by infectious disease experts. Journal
of the American Medical Association 242:1279-1282, 1979.
Μια συνεδρία με το MYCIN
To MYCIN αναπτύσσει «συλλογιστική» πάνω σε δεδομένα που σχετίζονται με έναν
ασθενή.
Θεωρεί, για παράδειγμα, εργαστηριακά αποτελέσματα αναλύσεων σωματικών
υγρών, συμπτώματα που δείχνει ο ασθενής και γενικά χαρακτηριστικά του
ασθενούς, όπως ηλικία και φύλο.
Το MYCIN λαμβάνει πληροφορίες ανακρίνοντας τον ιατρό. Μια διαβούλευση με το
MYCIN προχωρά σε δύο φάσεις:
• Πρώτα γίνεται διάγνωση για τον εντοπισμό των πιο πιθανών μολυσματικών
οργανισμών.
• Στη συνέχεια προτείνεται φαρμακευτική αγωγή (ένα ή περισσότερα αντιβιοτικά
φάρμακα). Τα αντιβιοτικά που προτείνονται πρέπει να απαλλάξουν τον ασθενή
από την ύπαρξη μολυσματικών οργανισμών. Πρέπει επίσης να αλληλεπιδρούν
ευνοϊκά μεταξύ τους και να είναι κατάλληλα για τον συγκεκριμένο ασθενή.
 Διαχείριση ελλιπών πληροφορικών και αβέβαιων δεδομένων

• 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

1) Εισαγάγετε πληροφορίες σχετικά με τον ασθενή.

Όνομα: Σάλι
Ηλικία: 42 ετών
Φύλλο: Γυναίκα
Φυλή: Καυκάσιος
2) Υπάρχουν θετικές καλλιέργειες από τη SALLY; Όχι
3) Υπάρχουν εκκρεμείς καλλιέργεις από τη SALLY; Ναί
4) Θέση: CSF (εγκεφαλονωτιαίο υγρό)
5) Ημερομηνία συλλογής: 3-Ιουνίου –75
6) Μελέτη δείγματος: Morph: (πληκτρολογήστε ΚΑΝΕΝΑ εάν δεν εμφανίστηκε οργανισμός στο
επίχρισμα) Κανένας

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

7) Είχε πρόσφατα η SALLY συμπτώματα επίμονου πονοκέφαλου ή άλλα νευρολογικά

συμπτώματα (ζάλη, λήθαργος κ.λπ.); Ναί
8) Η SALLY είχε πρόσφατα σαφείς ενδείξεις μη φυσιολογικών νευρολογικών συμπτωμάτων
ακαμψία, κώμα, επιληπτικές κρίσεις κ.λπ.) τεκμηριωμένα από την παρατήρηση ή την εξέταση
ιατρού; Ναί

Συμπέρασμα: [Οι καλλιέργειες CSF θα θεωρηθούν ότι συνδέονται με το MENINGITIS]

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

9) Η μηνιγγίτιδα είναι λοίμωξη που αποκτήθηκε από το νοσοκομείο; Οχι

10) Είναι συμβατό το κλινικό ιστορικό της SALLY με το EPIGLOTTITIS; Οχι
11) Είναι συμβατό το κλινικό ιστορικό της SALLY με το OTITIS-MEDIA; Οχι
12) Έχει πάει ποτέ ο ασθενής σε μια περιοχή που είναι ενδημική για κοκκιδιομυκήσεις
(coccidiomycoses); Αγνωστο
13) Είναι η SALLY ένας ασθενής με εγκαύματα; Γιατί

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

Μέχρι στιγμής το MYCIN έχει αποφανθεί για τα ακόλουθα:

[1.1] η λοίμωξη που απαιτεί θεραπεία είναι μηνιγγίτιδα

[1.2] εκκρεμούν αποτελέσματα καλλιέργειας CSF
[1.3] ο τύπος της λοίμωξης μπορεί να είναι βακτηριακός
Εάν [1.4] η SALLY έχει καεί σοβαρά
τότε υπάρχουν ενδείξεις ότι το Pseudomonas-aeruginosa είναι ένας από τους οργανισμούς
(διαφορετικός από αυτούς που πιθανά θα ανιχνευθούν από τις καλλιέργειες

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

Κανόνας Ναι Όχι

[1.5] RULE 500 (.4)

[1.6] RULE 501 (.17)
[1.7] RULE502 (.1)
[1.8] RULE524 (.42)
[1.9] RULE504 (.28)

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:

 Πολύ πιθανή εύρεση

 Μικρή πιθανότητα εύρεσης, αλλά με σημαντική επίδραση στο σχήμα της θεραπείας εάν πραγματικά
ανιχνευθούν.

Είναι σημαντικό να καλύψετε τις ακόλουθες πιθανές λοιμώξεις

INFECTION-1 is MENINGITIS
+ MYCOBACTERIUM-TB [from clinical evidence only]
+ . . . COCCIDIOIDES [from clinical evidence only]
+ . . . CRYPTOCOCCUS [from clinical evidence only]

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

14) Η SALLY έχει κλινικά σημαντική αλλεργική αντίδραση σε οποιοδήποτε αντιμικροβιακό

φάρμακο? Οχι
[Considering ETHAMBUTAL-AND-INH-AND-RIFAMPIN for use against INFECTION-1 . . .]
15) Είναι SALLY έγκυος ή θηλάζει; Οχι
16) Έχετε λόγο να υποψιάζεστε ότι η SALLY μπορεί να έχει διαταραχές των νεφρικών
λειτουργιών; Οχι
17) Βάρος SALLY σε χιλιόγραμμα: 51.3

Από αυτές τις ερωτήσεις το MYCIN θα συντάξει την θεραπευτική αγωγή

[REC-1] (για την οποία μπορεί να δώσει τη συλλογιστική) και στο τέλος θα προτείνει πρόσθετους
εργαστηριακούς ελέγχους.
 Το ΜYCIN Προτείνει Θεραπεία

[REC-1] Η προτιμώμενη θεραπευτική μου πρόταση είναι η εξής:

Δώστε τα ακόλουθα σε συνδυασμό:
1) ETHAMBUTAL
Δόση: 1,289 (13,0 100mg-tablets) q24h PO για 60 ημέρες [υπολογιζόμενη βάσει 25 mg / kg]
στη συνέχεια 770 mg (7,5 100 mg-δισκία) q24h PO [υπολογίζεται με βάση 15 mg / kg]
Σχόλια: Συνιστάται περιοδικός έλεγχος όρασης για οπτική νευρίτιδα.
2) INH
Δόση: 513 mg (5,0 100 mg-δισκία) q24h PO [υπολογίζεται βάσει 10 mg / kg]
3) RIFAMPIN
Δόση: 600 mg PO q24h
Σχόλια: Χορηγήστε τη δόση με άδειο στομάχι.

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

Οι εξηγήσεις του MYCIN, αν και αρκετά χρήσιμες, περιορίζονται σε μια επισκόπηση

της συλλογιστικής διαδικασίας και επίδειξη των κανόνων γνώσεων. Το MYCIN δεν
μπορεί να δικαιολογήσει ή να εξηγήσει τους ίδιους τους κανόνες, ούτε μπορεί να
προσδιορίσει τους όρους που χρησιμοποιεί. Δηλαδή, ο γιατρός δεν μπορεί να
ρωτήσει:
ΓΙΑΤΙ RULE578 ή ΤΙ ΕΙΝΑΙ Η PSEUDOMONAS AERUGINOSA.
Υποτίθεται ότι η ορολογία που χρησιμοποιεί το MYCIN και οι απαντήσεις που δίνει
είναι γνωστές στους γιατρούς που χρησιμοποιούν το πρόγραμμα. Τα συστήματα
γνώσης όπως το MYCIN πρέπει να είναι προσεκτικά προσαρμοσμένα στα
χαρακτηριστικά των κοινοτήτων των χρηστών τους. Οι μηχανικοί της γνώσης που
δημιούργησαν το MYCIN ήταν υπεύθυνοι για να διασφαλίσουν ότι όροι όπως
"καλλιέργεια" “Mycobacterium-TB" είναι γνωστοί όροι για τους χρήστες του MYCIN.
 Πόσο καλό “ΕΜΠΕΙΡΟΓΝΩΜΟΝΟ” είναι το MYCIN?

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?

Χρησιμοποιήθηκαν δύο κριτήρια αξιολόγησης:

 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.

Η ικανότητα προσθήκης κανόνων και τροποποίησης της συλλογιστικής είναι βασικό

χαρακτηριστικό των έμπειρων συστημάτων. Αυτή η δυνατότητα είναι εξίσου απαραίτητη με
την ικανότητα του συστήματος να «συλλογιστεί» με αβέβαια δεδομένα και να εξηγήσει τη
συλλογιστική του.
Τα έμπειρα συστήματα αναπτύσσονται και συντηρούνται σταδιακά με την ενεργό συμμετοχή ενός
ή περισσότερων εμπειρογνωμόνων.
Πρώτα έμπειρα συστήματα-Βοήθεια στη διάγνωση

Τα πρώτα έμπειρα συστήματα αναπτύχθηκαν για να βοηθήσουν τους

κλινικούς ιατρούς στη διαδικασία διάγνωσης, συνήθως με την πρόθεση να
χρησιμοποιηθούν κατά τη διάρκεια μιας συνεδρίας με τον ασθενή.

Τα περισσότερα από αυτά τα πρώιμα συστήματα (αν και αποδεδειγμένα

είναι ικανά να λειτουργήσουν εξίσου καλά ή και με υψηλότερη ακρίβεια από
τους ειδικούς γιατρούς) δεν πέρασαν τα όρια των ερευνητικών
εργαστηρίων... εν μέρει επειδή δεν εξασφάλισαν επαρκή υποστήριξη από
τους κλινικούς γιατρούς για να επιτρέψουν την τακτική εισαγωγή τους.

Τα συστήματα υποστήριξης αποφάσεων δεν πρέπει να λειτουργούν

«αυτόνομα» stand alone, αλλά πρέπει να ενσωματωθούν στο EHR.
Πράγματι, η εν λόγω ενσωμάτωση περιορίζει τα εμπόδια στη χρήση ενός
τέτοιου συστήματος, καθώς δεν παρεμβάλεται στην κλινική πράξη αλλά
γίνεται μέρος της κλινική διαδικασίας.
Παραδείγματα (πρώιμων) έμπειρων
συτημάτων
 Μερικά Παραδείγματα...

Σύστημα Περιγραφή
ACUTE CARE SYSTEMS
(Dugas et al. 2002), Decision support in hepatic surgery

POEMS (Sawar et al., 1992) Post-operative care decision support

VIE-PNN (Miksch et al., 1993) Parenteral nutrition planning for neonatal

intensive care unit (ICU)
NéoGanesh (Dojat et al., 1996) ICU ventilator management

SETH (Darmoni, 1993) Clinical toxicology advisor

 Μερικά Παραδείγματα...

LABORATORY SYSTEMS
GERMWATCHER (Kahn et al.,1993) Analysis of nosocomial infections

HEPAXPERT I, II (Adlassnig et al., Interprets tests for hepatitis A and B

1991)
Acid-base expert system (Pince, et al., Interpretation of acid-base disorders
1990)
MICROBIOLOGY/PHARMACY Monitors renal active antibiotic dosing
(Morrell et al., 1993)
PEIRS (Edwards et al., 1993) Chemical pathology expert system
PUFF (Snow et al., 1988) Interprets pulmonary function tests
Pro.M.D.- CSF Diagnostics Interpretation of CSF findings
(Trendelenburg, 1994)
 Έμπειρα-Πληροφοριακά συστήματα κλινικών εξετάσεων:
Αυτόματη ερμηνεία κλινικών εξετάσεων και δημιουργία
αναφοράς
Ένας από τους πιο επιτυχημένους τομείς στους οποίους εφαρμόζονται τα έμπειρα
συστήματα είναι τα κλινικά εργαστήρια.
Η αναφορά των αποτελεσμάτων που λαμβάνει ο παθολόγος για παράδειγμα,
μπορεί να έχει παραχθεί από ένα σύστημα υπολογιστή που έχει ερμηνεύσει
αυτόματα τα αποτελέσματα των εξετάσεων.

Τα έμπειρα εργαστηριακά συστήματα συνήθως δεν παρεμβαίνουν στην κλινική

πρακτική. Αντίθετα, είναι ενσωματωμένα στη διαδικασία φροντίδας και, εκτός από
το προσωπικό του εργαστηρίου, οι κλινικοί γιατροί που εργάζονται με ασθενείς δεν
χρειάζεται να αλληλοεπιδρούν με τα συστήματα αυτά. Για τον κλινικό ιατρό, το
σύστημα εκτυπώνει μια έκθεση με μια διαγνωστική υπόθεση για εξέταση, αλλά δεν
αφαιρεί την ευθύνη για τη συλλογή, εξέταση, αξιολόγηση και διαχείριση των
πληροφοριών. Για τον παθολόγο, το σύστημα μειώνει τον φόρτο εργασίας της
δημιουργίας αναφορών, χωρίς να καταργεί την ανάγκη ελέγχου και διόρθωσης των
αναφορών.
 Παραδείγματα –πρώτες εφαρμογές έμπειρων
συστημάτων σε κλινικό περιβάλλον

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).