Системы поддержки принятия решений в здравоохранении и обучении

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

ФГУ «Московский НИИ педиатрии и детской хирургии Росмедтехнологий»

Системы поддержки принятия решений в здравоохранении и обучении

Б.А. Кобринский

Аннотация

В статье излагаются особенности, вопросы применения и перспективы развития систем поддержки принятия решений в клинической практике и в образовательном процессе. Рассматриваются требующие учета специфические характеристики клинической проблемной области. Обращено внимание на эффект самообучения, присущий системам на основе знаний. Представлены подходы и системы, применяемые в учебном процессе, включая «критикующие» системы, интеллектуальные тренажеры и обучающие среды, в том числе функционирующие в дистанционном режиме.

принятие решение обучение учебный

Введение

В настоящее время наибольшее внимание уделяется проблеме разработки и применения информационных медицинских систем, их интеграции в направлении построения единого информационного пространства. Не принижая значения этих работ, представляется необходимым обратить внимание на системы поддержки принятия решений (СППР), которые являются непосредственными «помощниками» врачей в лечебно-диагностическом процессе и должны находить свое место в интегрированных системах. Одновременно не лишне вспомнить, что именно с математического моделирования физиологических процессов и диагностических вычислительных систем начиналась медицинская кибернетика и они уже тогда продемонстрировали свою эффективность и целесообразность использования в практическом здравоохранении.

В настоящее время следует говорить о различных типах СППР в соответствии с направлениями их применения: а) в клинической практике, где их часто называют консультирующими, хотя правильнее было бы говорить ассистирующие, оставляя функцию консультанта за человеком; б) в обучении и повышении квалификации (тестирующие и критикующие, последние из которых представляется более правильным называть оппонирующими); в) в научных исследованиях (для решения задач анализа и оценки ситуации).

СППР в здравоохранении

СППР в клинической медицине должны выполнять следующие функции:

дифференциальная диагностика и выбор лечения в широком круге нозологических форм (здесь важно подчеркнуть именно большое число дифференцируемых заболеваний, в том числе редких);

эффективность решений вне зависимости от выраженности клинических проявлений болезни, что предполагает диагностику при ранних формах заболеваний и стертой клинической картине;

учет фоновых состояний (сопутствующих заболеваний) пациента, что особенно важно при подборе лечения;

анализ динамики патологического процесса с прогнозом потенциально возможных неблагоприятных ситуаций (при учете проводимой терапии, включая и побочные эффекты медикаментов);

оценка состояния в режиме «реального» времени, что может быть достигнуто при актуализации логико-вычислительных систем за счет информации, поступающей с мониторно-приборных комплексов.

В настоящее время большинство систем поддержки принятия решений реализуется как интеллектуальные (ИСППР), т.е. основанные на знаниях экспертов или знаниях, извлеченных из литературных источников и из хранилищ историй болезни. При их создании желательно максимально учитывать специфику проявления и представления клинической информации, что можно охарактеризовать следующим образом:

«маски» болезней - логические выражения, состоящие из теоретически возможных клинических вариантов (часто встречающихся, редко встречающихся и т.д.), анализ по которым ведется в двух противоположных направлениях - по зафиксированным в «маске», но отсутствующим у пациента проявлениям и по проявлениям, отмеченным у больного, но не зафиксированным в «маске»;

«симптоматические портреты» заболеваний, характеризующие интервалы неопределенности, содержащиеся в экспертных оценках при анализе различных, теоретически возможных, вариантов описаний клинической картины дифференцируемых заболеваний;

«ударные свойства» (типа табу), указывающие на физиологическую невозможность или очень малую вероятность заболеваний при определенных условиях или на взаимоисключающие состояния;

нечеткие сведения или вербальные характеристики состояния больного, обусловленные субъективностью оценки данных физикального обследования больного и трудностями однозначной интерпретации клинических проявлений (окраска кожи, выраженность сердечного шума и т.п.), реализация которых возможна с использованием методов нечеткой логики;

ассоциативные отношения, возникающие у врача в процессе описания клинических проявлений заболевания, и дополнительное включение ассоциирующих симптомов в систему дифференциально-диагностического поиска;

сведения о болезнях (синдромах, состояниях), состоящих в некоторых отношениях с рассматриваемой в качестве основной диагностической гипотезы, включая: а) причинно-следственные связи, предполагающие информацию о патологии, которая могла быть причиной данного заболевания или, наоборот, являться его следствием; б) временные связи, позволяющие как прогнозировать состояние пациента, так и восстанавливать возможный анамнез болезни; в) ассоциативные связи, дающие возможность учитывать на фоне каких состояний может развиться данное заболевание, фоном для каких синдромов оно может служить и с какими болезнями может быть совместимо, т.е. какие заболевания (синдромы) могут встречаться одновременно;

неопределенность, содержащаяся в медицинском диагнозе, которую можно характеризовать путем количественной оценки степени уверенности среди конкурирующих гипотез;

альтернативные режимы принятия диагностических решений, которые могут быть реализованы путем построения механизма логического вывода на основе смешанной стратегии - прямой (предполагает вначале ввод в систему параметров состояния пациента) и обратной (процесс рассуждений идет от гипотетического диагноза к фактам, т.е. симптомам которые могут послужить основой для такого решения);

выдача объяснений о принятом решении в соответствии с мнениями различных научных школ.

Для врачебной практики характерен мысленный (или вербальный в процессе консилиума) анализ сходных клинических ситуаций. Особенно важно это для сложных случаев с нетипичной картиной проявлений заболевания, в особенности при подборе медикаментов, применение которых в прошлом, в аналогичных ситуациях, могло быть эффективно, не эффективно, сопровождалось нежелательным побочным действием.

Существенным моментом, определяющим практическую значимость СППР, является ее эффективность в условиях различных ограничений:

- дефицита времени на принятие решения, что имеет особое значение при неотложных состояниях и в чрезвычайных условиях;

- неполноты данных о клинических проявлениях и анамнезе заболевания, в частности в условиях работы врачей скорой медицинской помощи;

- неопределенности данных, которые не могут быть уточнены врачом, где могут быть использованы методы нечеткой логики;

- необходимости выбора дополнительных исследований по критериям диагностической эффективности и возможности их выполнения (с указанием степени угрозы для жизни больного).

Созданные к настоящему времени системы, основанные на знаниях, отвечают тем или иным из приведенных выше принципов [3, 4]. Однако вызовом времени является комплексный подход к учету различных, выше приведенных и других, аспектов клинической медицины при построении таких систем.

Эффект самообучения ИСППР

Рассмотрим клинико-образовательный характер интеллектуальных СППР. Важной их особенностью является так называемый эффект самообучения при использовании врачами в практике здравоохранения или студентами (слушателями факультетов повышения квалификации) в учебном процессе на клинических кафедрах. Это имеет место как следствие предоставления интеллектуальными системами поддержки принятия решений информации пользователю о процессе диагностики. В качестве примеров можно вспомнить ряд отечественных и зарубежных интеллектуальных систем. МОДИС (диагностика форм артериальной гипертонии) - процесс генерации гипотез и их проверки сопровождается сообщениями об активизации конкретного фрейма, а также о неподтверждении (отклонении) рассматривавшейся гипотезы и переходе к работе с другим фреймом, что дает эксперту возможность следить за ходом «рассуждений» системы в зависимости от вводимой информации; система способна ответить на вопрос, какие гипотезы рассматривались в процессе вывода решения, почему рассматривалась та или иная гипотеза и был поставлен именно такой диагноз. ДИАГЕН (дифференциальная диагностика наследственных болезней) - возможность проверить свое представление о диагностической значимости отдельных признаков путем последовательной переоценки их “весов” (коэффициентов). ДИН (диагностика неотложных состояний) - с одной стороны, проверка правильности предполагаемого врачом диагноза при движении от гипотетического диагноза к симптомам (обратный вывод), с другой стороны, по “лишним” для данного заболевания симптомам осуществляется выход на другие патологические состояния, в описании которых полученные данные играют известную роль, что расширяет представление обучаемого о круге сходных по клиническим проявлениям заболеваний. MDX (диагностика холестаза) - действует как сообщество консультантов разных специальностей, которые «вызывают» друг друга для рассмотрения различных аспектов заболевания; их «сотрудничество» осуществляется с использованием «доски объявлений» (“blackboard”). MYCIN (выбор антибактериальной терапии) - информация о взглядах научных школ, предоставляемая в режиме запроса. ABEL (диагностика и выбор лечения нарушений равновесия кислот и оснований) - выдача альтернативных объяснений, соответствующих различным научным школам. Наряду с приведенными особенностями отдельных систем, нужно отметить, что все ИСППР включают блок объяснения, позволяющий получить представление о том, на основе какой информации был поставлен диагноз или принято решение о выборе предложенного способа лечения.

Обучающие системы

Системы для поддержки образовательного процесса ориентированы, как правило, на проверку умений решать задачи по конкретному учебному курсу. Они строятся на основе инструментальных средств, позволяющих преподавателю создавать базу знаний альтернативного принятия решений. Интеллектуальная система оценивает логику принятия решений и в случае выбора неоптимальной или неправильной альтернативы отсылает обучаемого к соответствующим разделам учебного гипертекстового материала.

Вначале рассмотрим принципы построения тренажера для принятия решений, который должен включать: 1) диагностические задачи различной степени сложности, позволяющие определить уровень знаний обучаемого; 2) анализ оптимальности проведенного диагностического поиска; 3) оценку работы обучаемого; 4) рекомендации по дальнейшему изучению материала. В таких системах целесообразно использование мультимедийных технологий, позволяющих максимально зрелищно представлять различные процессы, что способствует лучшему усвоению материала.

Тренажер для задач распознавания на основе экспертного подхода генерирует описание ситуации из некоторой предметной области и позволяет обучаемому исследовать и идентифицировать эту ситуацию [5]. В любой момент пользователь имеет возможность запросить “предварительный” или “окончательный” диагноз. В первом случае на основании уже введенных данных система делит заболевания на допустимые, недопустимые и заболевания, для диагностики которых данных недостаточно. Во втором случае система в режиме диалога запрашивает у пользователя информацию, которой недостаточно для постановки диагноза. В результате все заболевания ранжируются от наиболее вероятных до невозможных.

В качестве примера программы-тренажера при изучении клинических дисциплин можно назвать НЕФРОТРЕНАЖЕР [6], который содержит около тысячи диагностических задач различной степени сложности, позволяющих определить уровень знаний обучаемого. Эта интеллектуальная система предоставляет, с одной стороны, возможность отбора задач и определения круга дифференцируемых заболеваний, с другой, оценивает оптимальность проведенного диагностического поиска и дает рекомендации по дальнейшему обучению.

«Критикующие» системы экспертного типа обеспечивают поддержку в направлении сравнительного анализа гипотез и выбора решения с разбором недочетов и объяснением. Классическими примерами можно считать две системы, разработанные в Йельском университете США. Первая из них, ATTENDING, обеспечивает поиск ошибок в предлагаемом решении и выдвижение альтернативного варианта. Система критикует план предоперационной подготовки и выбор способа анестезии, тем самым обращая внимание на недостатки, требующие исправления, и на опасности, которых можно избежать. Знания представлены в системе в виде фреймов, содержащих список комментариев к определенным действиям врача. Вторая, PHEO-ATTENDING, осуществляет оценку действий при назначении дополнительного обследования больному с феохромоцитомой, используя позиции двух конкурирующих медицинских школ.

Технология интеллектуальных обучающих систем реализуется в виде инструментальной среды, основными функциями которой являются: извлечение знаний эксперта, формализация понятий предметной области, создание базы знаний, генерация тестовых вопросов, формирование когнитивной модели обучаемого, оценка его знаний, формирование стратегии обучения [8]. Более подробно эту технологию можно рассмотреть на примере созданной в Таганрогском радиотехническом университете «Интеллектуальной образовательной среды дистанционного обучения и тестирования в Интернет “Knowledge CT”» [1], которая может быть реализована и в медицинских ВУЗах. Она включает ряд модулей. Модуль адаптивного тестирования обращается к хранилищу тестов, которое содержит все вопросы и ответы, настройки для каждого теста, производит опрос, обрабатывает результат и заносит его в хранилище результатов. Модуль создания тестов или редактор тестов обращается к хранилищу и позволяет пользователю (разработчику теста) создать новый тест, изменить его настройки, редактировать вопросы и ответы, обеспечить слияние тестов, которое необходимо, например, при составлении итогового теста. Алгоритмы адаптивности тестов включают ряд уровней сложности, ограничение по времени на прохождение теста, минимальное и максимальное количество вопросов. Модуль интеллектуальной поддержки тестов решает задачу оценки знаний. Для этого используются математические методы и модели поведения обучаемого, критерии оценки его знаний, способностей и умений. Мониторинг процесса дистанционного обучения подразумевает контроль деятельности обучаемого, построение его индивидуальной модели и генерацию управляющих решений по корректировке поведения обучаемого для достижения им поставленных целей обучения. Сначала, на основе экспертных оценок, т.е. учитывая существующий опыт преподавания, строится предварительная модель обучаемого для некоторого предмета (курса). Затем, с учетом предпочтений обучаемого в выборе способов освоения материла, определяются цели обучения и формируется индивидуальная модель обучаемого. Далее выделяются стратегии поведения, наиболее соответствующие индивидуальному стилю обучаемого, а также стратегии, ориентированные на достижение цели обучения. Модули промежуточного тестирования предназначены для текущего контроля знаний и построены на алгоритмах нечеткой логики. База знаний содержит утверждения, отражающие мнение преподавателя относительно оценки результатов выполнения каждого блока заданий, а также схемы рассуждений, позволяющие автоматически оценивать уровни знаний. Подсистема адаптивного тестирования подразумевает, что каждый следующий вопрос задается в зависимости от ответов на предыдущие. Предварительно все студенты классифицируются по уровню знаний. Это позволяет даже первый вопрос задавать не случайным образом, а выбирать из группы тестовых заданий, соответствующих выявленному уровню знаний. Система позволяет моделировать поведение экзаменатора в случае уверенности или неуверенности в знаниях студента - тестирование может быть прервано, если экзаменатор уверен в уровне знаний студента, или он задает ряд дополнительных вопросов для уточнения.

В интеллектуальной обучающей среде, предложенной в Национальном техническом университете Украины [7], замкнутый итерационный цикл обучения включает: представление исходного материала, тестирование знаний, построение когнитивной модели обучаемого, сравнение ее с эталонной моделью знаний, выработку дальнейшей стратегии обучения. Предлагаемая технология обладает возможностями автоматической генерации тестов, направленных на проверку знаний обучаемого. Множество формальных понятий упорядочено отношением частичного порядка и образует полную решетку концептов. Для тестирования знаний обучаемого автоматически генерируется набор тестов по решетке концептов. Тесты генерируются как в открытой, так и в закрытой форме. По ответам ученика составляется концептуальная решетка, отражающая систему понятий предметной области в представлении учащегося. Эта решетка сравнивается с эталонной моделью. Различия между эталонной моделью и когнитивной моделью обучаемого используются для выработки стратегии дальнейшего обучения.

Архитектура интеллектуальных обучающих систем может базироваться и на теории многоагентных систем. Общая структура такой системы включает ряд агентов: а) интерфейса преподавателя, б) интерфейса обучаемого, в) доступа к знаниям о процессе обучения, г) онтологий (спецификаций структуры определенной предметной области), д) координации взаимодействий [3]. Агент интерфейса преподавателя осуществляет его взаимодействие с базой данных предметной области. С его помощью преподаватель оперативно пополняет базу данных, определяет уровни знаний и разрабатывает средства для проверки знаний обучаемых. Агент интерфейса обучаемого осуществляет взаимодействие с базой данных обучаемого, которая содержит сведения о каждом из студентов с указанием текущего уровня его подготовки, предпочтительной стратегии обучения, типичных ошибок. Агент онтологий обеспечивает доступ к информации из базы данных предметной области, которая может извлекаться обучаемым и обновляться преподавателем, а также осуществляет вывод на онтологии и предоставляет возможность корректировки весовых коэффициентов, характеризующих приоритетные маршруты в нечеткой сети. Другими словами, этот агент играет роль интерфейса между базой данных и другими агентами и обеспечивает доступ к ресурсам онтологий. Агент-координатор взаимодействий выполняет роль посредника между агентами системы и может быть реализован в виде «доски объявлений». Такая многоагентная система обладает возможностью, на основе модели обучаемого, генерировать процесс обучения, поддерживая активную обратную связь студентов с преподавателями.

Заключение

Развитие ИСППР в ближайшей перспективе, с учетом уже имеющихся наработок, можно представить в следующих направлениях:

Учет уровня врача-пользователя:

начинающий врач

врач общей практики

врач-специалист

Представление взглядов различных научных школ в отношении предлагаемого решения и на этапах работы СППР

Использование принципа консилиума, предполагающее представление мнений различных специалистов в принятии решения

Интеграция принятия решений на основе экспертных знаний и прецедентов

Интеграция логико-лингвистических и образных представлений врача

Актуализация СППР при поступлении информации с мониторирующей аппаратуры

Реализация решений на основе принципов ситуационного управления

Использование мультимедийных технологий для совершенствования визуального представления медицинской информации

Включение СППР в состав информационных медицинских систем.

Несмотря на то, что в отдельности часть из выше перечисленных направлений находит то или иное отражение в СППР, интегративные решения пока не были реализованы в практике. Движение в этом направлении представляется наиболее перспективным для всех типов систем поддержки процессов принятия решений.

Литература

Астанин С.В., Курейчик В.М., Попов Д.И., Кузьмицкий А.А. Интеллектуальная образовательная среда дистанционного обучения // Новости искусственного интеллекта. - 2003. - №1. - С.7-14.

Голенков В.В., Емельянов В.В., Тарасов В.Б. Виртуальные кафедры и интеллектуальные обучающие системы // Новости искусственного интеллекта. - 2001. - №4. - С.3-13.

Кобринский Б.А. Ретроспективный анализ медицинских экспертных систем // Новости искусственного интеллекта. - 2005. - №2. - С.6-17.

Кобринский Б.А. Консультативные интеллектуальные медицинские системы: классификации, принципы построения, эффективность // Врач и информационные технологии. - 2008. - №2. - С.38-47.

Плаксин М.А., Решетников И.П. Мягкие вычисления при диагностике заболеваний // Труды Международного семинара «Мягкие вычисления-96». - Казань, 1996. - С.166-169.

Приходина Л.С., Марьянчик Б.В., Длин В.В. Игнатова М.С. Компьютерная система и нефротренажер для дифференциальной диагностики заболеваний почек у детей с синдромом гематурии // Информационные технологии в здравоохранении. - 2002. - №8-10. - С.16-17.

Таран Т.А. Технология обучения понятиям в интеллектуальных обучающих системах // Новости искусственного интеллекта. - 2003. - №6. - С.18-23.

Wille R., Ganter D. Formal concept analysis. - Berlin: Springer-Verlag, 1999.

Размещено на Allbest.ru