Аннотация: В данной статье рассматриваются системы поддержки принятия решений, основанные на правилах и онтологиях. Авторы предложили экспертную систему для пациентов с диабетом. Они использует технику на основе правил для рассуждений и онтологии предметной области для представления знания по обнаружению диабета, его типа, серьезности и составление соответствующего плана ухода.
Ключевые слова: Рассуждения на основе правил, экспертные системы, онтология, диабет, диагностика, принятие решений, искусственный интеллект, медицина.
Введение
В настоящее время диабет считается одним из самых распространенных заболеваний в большинстве стран; на самом деле, по данным Международной диабетической федерации, в 2017 году в мире было диагностировано 425 миллионов человек с диабетом, что составляет около 5,5% населения мира. Таким образом, ожидается, что примерно 622 миллиона человек (8,1% населения земного шара заболеют диабетом к 2040 году).
В медицине принятие решения включает постановку диагноза и определение лечения, которое является этапом, на котором медицинский работник определяет заболевание, которым болеет пациент, используя клинические симптомы, анализы крови, рентгенологические снимки... и т. д. Он считается ядром процесса лечения любого заболевания.
Диагноз - это интеллектуальный труд, который трудно запрограммировать с помощью классических методов. Было проведено несколько исследований по разработке методов медицинской диагностики, основанных на методах и приемах искусственного интеллекта (ИИ). Есть несколько АИ инструментов, которые приведут к реализации интеллектуальных систем, похожего на рассуждения экспертов в области помощи в процессе принятия решений, среди них на основе правил рассуждения (экспертных систем), которые доказали свою эффективность в медицинской сфере, а так же в последние годы наблюдается значительный рост использование онтологий в медицинской сфере, мы были замотивированы, надеясь создать онтологию связанную с медицинской сферой, которая помогла бы в определении сахарного диабета.
Данная статья организована следующим образом: раздел 2 содержит теоретические сведения об экспертной системе, онтологии и области применения. Описание разработки концепции системы приведено в разделе 3. В разделе 4 представлено описание предлагаемой архитектуры. Раздел 5 подробно описывает внедрение системы, в то время как раздел 6 мы обсуждаем нашу работу и даем представление о производительности системы.
Предыстория
Предлагаемый подход сочетает в себе ранее упомянутые парадигмы искусственного интеллекта, например онтологии и экспертные системы.
Онтологии
Грубер [1] определяет онтологию как явную спецификацию концептуализации. Концептуализация – это абстрактное представление о мире, которое мы надеемся представить для определенной цели. Представление знаний основано на концептуализации, включающей объекты, понятия и отношения между ними. Исходя из технической перспективы, определение Sowa [2] рассматривает онтологию как спецификацию видов сущностей, которые существуют или могут существовать в определенных областях или субъектах. Более формально онтология может быть представлена набором существительных, воспринимающих понятия и типы отношений, управляемых в частичном порядке типом / подтипом отношений. В разработанной система предлагается несколько типов классификаций для онтологий, основанных на характеристике компонентов онтологии. Немногими из наиболее важных типов классификаций являются классификация по назначению, в которой мы выделяем: прикладную онтологию и справочную онтологию, выразительность, в которой мы выделяем: тяжеловесную и облегченную онтологию, конкретизацию, в которой мы выделяем: родовую, базовую и доменную онтологию [3]. В этой статье мы описали онтологию предметной области.
Экспертная система
В общем случае экспертная система – это инструмент, способный воспроизводить когнитивные механизмы эксперта в определенной области. Точнее, экспертная система - это программное обеспечение, способное отвечать на вопросы, строить рассуждения на основе известных фактов и правил. Она может быть использована в качестве инструмента для поддержки принятия решений[4]. Архитектура типичной экспертной системы состоит из нескольких взаимодействующих модулей, которые подробно описаны на Рис.1
Рис. 1 Архитектура экспертной системы.
Пользовательский интерфейс: служит для упрощения коммуникации, он может использовать форму вопрос-ответ, меню, естественный язык и т. д.
База знаний - это набор данных, который используется механизмом вывода, он содержит знания о решении задачи.
Механизм вывода - это механизм вывода новых знаний из системной базы знаний. Он основан на правилах вывода, которые управляют его работой. Его функция состоит в том, чтобы ответить на запрос пользователя или сервера, чтобы вызвать ответ, определенный его правилами вывода, которые будут использовать базу знаний.
Диабет:
Сахарный диабет, - это хроническое заболевание, которое мешает организму правильно использовать сахар в качестве источника энергии. Это вызвано недостатком или отсутствием использования гормона, называемого инсулином, который вырабатывается поджелудочной железой. Он позволяет глюкозе (сахару) проникать в клетки организма для использования в качестве источника энергии. Существует четыре типа диабета[5]
Диабет 1 типа: он поражает около 6% диабетической популяции и часто встречается в детском, подростковом или раннем взрослом возрасте, редко у пожилых людей. Он характеризуется аутоиммунным разрушением бета-клеток, которые вырабатывают инсулин, вызывая полную или частичную недостаточность инсулина и эффективно требуя от пациента ежедневного введения этого гормона, поэтому люди с сахарным диабетом 1-го типа зависят от ежедневных инъекций инсулина или инсулиновой помпы, чтобы обеспечить свое выживание. Генетическая предрасположенность является одним из основных факторов в начале заболевания [6].
Диабет 2 типа: ранее называемый инсулинозависимым диабетом или диабетом зрелости. Диабетом 2-го типа страдают около 91% от всех людей больных диабетом. Она появляется в более позднем возрасте, хотя сегодня она прогрессирует в направлении все более молодого населения. В отличие от диабета 1-го типа, диабет 2-го типа в основном протекает бессимптомно [7].
Естественный диабет: обычно это диабет 1-го типа (инсулинозависимый) и встречается примерно у 3-6% беременных женщин. Он соответствует транзиторной непереносимости глюкозы и появляется в третьем триместре беременности, но обычно исчезает после родов. Естественный диабет является причиной предрасположенности к сахарному диабету 2 типа [7].
Неонатальный диабет: он возникает в первые дни или недели жизни. Это очень редкое явление, от 250 до 500 000 новорожденных в Европе. Он может быть постоянным (лечение нельзя прекратить) или преходящим (инсулин можно прекратить, как правило, до достижения возраста 6 месяцев, но рецидив диабета возможен в период полового созревания или зрелости[9].
Разработка системы:
Цели предлагаемой системы
В нашей исследовательской работе была предложена система принятия решения, основанная на правилах решений для пациентов с сахарным диабетом. Это метод искусственного интеллекта (экспертные системы) для выявления диабета и его типа, его серьезности и предоставления соответствующего плана лечения. Эта система помогает врачам и пациентам подтверждать, анализировать решения.
Для решения актуальной проблемы следует набор правил, чтобы поставить диагноз, а затем другой набор, чтобы найти соответствующее лечение[10]. Как только диагноз и лечение генерируются и подтверждаются, они сохраняются в онтологии.
Симптомы и правила, необходимые для определения диагноза
Была предпринята попытка найти взаимосвязь между исходными случаями и входными параметрами/атрибутами , чтобы прийти к относительной важности параметров/ атрибутов. Весовые коэффициенты были присвоены каждому признаку на основе предположений, основанных на выводах опытных медицинских работников. Таблица 1 показывает различные веса некоторых симптомов на фоне различных типов диабета [11]
Таблица. 1 Различные веса некоторых симптомов.
Для определения правильного диагноза система следует правилам, приведем пример несколько из них:
Рисунок. 2 Пример правил.
Архитектура системы
Предлагаемый подход включает использование онтологий для построения моделей знаний общей предметной области. Чем больше знаний встроено в систему, тем более эффективной она должна быть. В данной экспертной системе онтология играет роль базы знаний, в которой хранятся знания эксперта. Она играет важную роль в качестве словаря для описания случаев.
Рисунок. Архитектура системы.
Онтология предметной области реализуется для построения общих моделей знаний и включает в себя словари, понятия и отношения для представления всех знаний, касающихся медицинской диагностики диабета, его типа, серьезности и плана лечения[12].
Реализация системы
Реализация системы проходила через различные этапы, осуществлялась через подбор сред, инструментов и библиотек разработки. Для создания системы мы использовали язык Java в среде NetBeans IDE8. 2, для создания и модификации графических интерфейсов мы использовали библиотеку Javafx и инструмент Gluon SceneBuilder 8.4.1. для разработки онтологий был использован Protected tool 5.2.0.
На рисунке представлен стартовая форма системы, она требует имя пользователя и пароль для входа в систему, и, если у пользователя нет учетной записи, он может зарегистрироваться.
Рисунок – Стартовая форма.
Если пользователь нажмет на кнопку Зарегистрироваться
, откроется следующее окно:
Рисунок – форма регистрации.
После входа пользователя в систему отображается главное меню. Это позволяет ему добавлять нового пациента, консультироваться и, возможно, выбирать существующего пациента или консультироваться с анализами данных, содержащихся в системе.
Рисунок – главная форма.
Добавление нового пациента
Если пользователь решит добавить нового пациента, появится это окно с несколькими вкладками.
Рисунок – форма добавления пациента.
Рисунок – форма добавления пациента.
Рисунок – форма добавления пациента.
Рисунок – форма добавления пациента.
Как только пользователь заполнит все необходимые поля и нажмет кнопку Диагностика
, система применит функцию, чтобы узнать, является ли пациент диабетиком или нет, и тип диабета, которым он страдает, после чего откроется окно диагностики:
Рисунок – форма диагностики.
Затем откроется окно лечения :
Рисунок – форма диагностики.
В случае, если лечение, предложенное системой, не является правильным, пользователь может нажать кнопку Изменить
, которая позволяет ему изменить тип лечения и/или предлагаемые лекарства, если нет ошибки, пользователь проверяет лечение. Затем система зарегистрирует пациента, его диагноз и лечение в базе данных.
Существующий пациент
Если пользователь выбирает консультацию с существующими пациентами, то открывается окно, в котором отображаются все пациенты, просмотренные этим врачом:
Рисунок – форма консультации с существующими пациентами.
Как только пользователь выбирает пациента и нажимает на кнопку проконсультироваться
, открывается это окно, которое позволяет ему редактировать тип лечения, лекарства или даже диагноз пациента:
Рисунок – форма редактирования данных.
Анализ данных
Если пользователь выбирает для просмотра данных системы для анализа, то открывается это окно, которое позволяет ему анализировать данные по типу, возрасту, полу, потере веса, полифагии или астении.
Рисунок – форма для просмотра данных системы для анализа.
Рисунок – форма для просмотра данных системы для анализа.
Производительность системы
Система была протестирована рядом существующих пациентов, полученных в результате сбора данных в Sina–Annaba UHC. Затем результаты были сопоставлены, чтобы увидеть эффективность этой системы поддержки принятия решений. Таблица 2 показывает полученные результаты.
Таблица 2: результаты производительности системы.
Вывод
В данной работе был реализован инструмент, который призван помочь врачам диагностировать диабет, его тип и серьезность и предложить соответствующее лечение, основанное на клинических и биологических симптомах пациента, введенных пользователем (врачом). Для постановки диагноза и соответствующего лечения использовались онтологии, основанные на правилах.
Для представления знаний, необходимых для этого диагноза, была создана онтология предметной области, использующая инструмент Protected tool 5.2.0 [13][14].
Результаты, полученные с помощью этого инструмента, были сопоставлены и подтверждены результатами, полученными в ходе экспериментов в Sina-Annaba UHC и различных других практиках. Было обнаружено, что эта система дает правильные и эффективные результаты на уровне 90,29%. Система поддержки принятия решений – это методика, прекрасно адаптированная к медицинским рассуждениям и очень перспективная, когда она применяется в системах помощи при постановке диагноза[15].
References:
- [Gruber, T. R., A Translation Approach to Portable Ontology Specifications. Knowledge Acquisition, 5(2):199-220, 1993.
- F. Sowa. Ontologies for sharing knowledge. In manuscript of the invited speech to the terminology and knowledge Congress of Engineering (TKE '96), Vienna, 1996.
- Semantic web and ontology, Dhana Nandini, 2014.
- Barr and E.A. Frigenbaum, The Handboo of Artificial intelligence, Vol. 1, William Kaufmann, 1981.
- Standards of medical care in diabetes, American Diabetes Association—2018.
- http://www.diabetes.org/diabetescare
- http://www.nlm.nih.gov/medlineplus/diabetes.html
- http://www.medicinenet.com/diabetes_mellitus
- http://www.who.int/diabetes/en/index.html
- Diabetescare the journal of clinical and applied research and education january 2018volume 41 | supplement 1 print issn 0149- 5992 online issn 1935–5548 printed in the usa
- N, Allouani.R “A decision support system for thediagnostis of the Diabetes disease” 11e plateforme Intelligence Artifielle PFIA’2018 Journée IA & Santé Du 2 au 6 Juillet 2018
- N .&all. (2017) “Case Base Reasoning(CBR) and Domain ontology to diagnose diabetes disease” 4thInternational conference on computational and experimental science and engineering (ICCESEN’2017)
- Protege,Ontology Editor and Knowledge Acquisition System. <http://protege.stanford.edu/>. (2009).
- H. Knublauch, R. W. Fergerson, N. F. Noy, and M.
- “The protege owl plugin: An open development environment for semantic web applications”. Semantic Web – Iswc 2004, Proceedings, 3298:229-243, (2004).
- Guessoum. S, Dendani.N .&all “OntoLung : a decision support system for the diagnosis of the Lung Cancer” 4thInternational conference on computational and experimental science and engineering (ICCESEN’2017)