Назад в библиотеку

Специализированные компьютерные системы поддержки для медицинской диагностики. Связь с теоремой Байеса и с диагностикой логического мышления

Авторы: Pedro Jose Negreiros de Andrade

Переводчик: Чаган А.Н.

Введение.

Специализированные компьютерные системы являются результатом так называемых "Инженерных знаний", одна из специализаций искусственного интеллекта. Такие системы используют простые методы искусственного интеллекта, чтобы имитировать действие человеческих экспертов. Одной из особенностей искусственного интеллекта является способность приобретать знания, т.е. видоизменяться с приложением.

Это, как само собой разумеется, не происходит с так называемыми специализированными системами, которые, хотя и выполняют иногда сравнимую с человеческим решении конкретных проблем, но не способны, как правило, обучаться, т.е. выставление интеллектуального поведения. Наибольший интерес в этих системах восходит к началу 70-х годов, когда искусственный интеллект, как парадигма, претерпела важные изменения, очень хорошо описанные Голдштейном.

Можно было бы сделать вывод, что эффективность системы специалиста в большей степени зависит от количества входных знаний, чем способность приобретения знаний. Дело в том, что ни один совершенный, полный метод не был найден еще предстоит создать интеллектуальную среду без достаточных знаний, чтобы думать об этом. Недавний и важный прогресс в приобретении знаний является система, основанная на нейронной сети, вдохновленный биологическими моделями, т.е. анатомическое функциональной основой мозга. Но, пока это изменение парадигмы не дает больших результатов, система специалист по-прежнему будет зависеть гораздо больше от качества его базовых знаний, чем сложность его алгоритмов.

Поэтому в рамках этой логики основного приложения знаний, специализированные диагностические системы в медицине были разделены, на начальном этапе, на два типа: а) системы, основанные на правилах; б) системы на основе распознавания образов. Большая часть наших первоначальных усилий по применению искусственного интеллекта для решения реальных проблем в области медицины, были основаны на системах основанных на правилах. Такие программы довольно легко создавать, потому что их знание каталогизированы в форме правил типа "если ... то", используемый в виде цепи с целью достижения результата. Этот тип программы легко удается казаться умным, что позволяет также простоту и легкость использования так называемого дерева решений, очень часто применяется в современной медицине. В тех районах, ограниченных областей, такие программы показали себя достаточно эффективными. Одним из хорошо известных примеров является Mycin система, разработанная в Стэнфордском университете для выбора антибиотиков у пациентов с инфекцией. Эта программа уже в значительной степени протестированы, показывающий производительность, аналогичную специалистов в области инфекционных заболеваний. Проблема с этими правилами систем, основанных на том, что в более сложных областях, таких как диагностика по внутренним болезням, объем знаний настолько велик, что чрезвычайно трудно, чтобы поглотить все это. Таким образом, системы такого типа, предназначенный в основном для медицинской области, нашли большее применение в коммерческих задач или методов, таких как "оценки телефонной линии". Несмотря на очевидную полезность этих систем в медицинских программах, основанных на деревья решений, основным ограничением их использования происходит из-за трудностей в принятии процедур компьютера, которые могут поставить человека под угрозу жизни.

С учетом трудностей, связанных с применением правил на основе систем в областях обширных знаний, таких как диагностика внутренней медицины в решение, казалось бы, в шаблоне сопоставления систем. На начальном уровне, функции такие системы следующим образом: 1) для каждой возможной болезни (гипотетический диагноз) в ответ, что представляет пациент идентифицируется (симптом, знак или результаты дополнительного обследования), и она оценивается, является ли он частью болезнь; 2) оценки устанавливаются для каждой болезни, в зависимости от количества симптомов, которые являются такими же, как те, что присущи самим пациентом; 3) болезни классифицируются по этим оценкам; 4) запросы сделаны о том, после того, как выводы болезней с наибольшим количеством очков также встречаются у больных; 5) повторите шаги 1 и 2; 6) повторите процедуру для следующих заболеваний

Если система сопоставления с образцом должны были быть разработаны в этом простом формате, было бы похоже на то, как многие начинающие подходить диагностический процесс. Как следствие, он потерпит неудачу на не решение следующих задач: а) насколько сильно является нахождение (симптом, знак или дополнительные результаты экзамена) является отражением определенного заболевания; б) насколько сильно это отсутствие нахождения исключают возможность определенной болезни; с), которая является преобладающей скорость каждой из гипотез в исследуемой популяции; г) насколько сильно ли нахождение у пациента, но не присутствует в гипотезе недействительной диагноз; д) у пациента имеется только один или более чем одной болезни; е) если есть более чем одна болезнь, будет болезнь быть связанной.

Известно, что опытный врач с сильной приобретенной базой знаний использует эту информацию с компетенцией в ходе диагностического процесса, что является одной из характеристик, которые отличает его от новичка. По этой причине, наиболее известные компьютерные программы в области дифференциальной диагностики, такие как терапевту т.е. ее вариации QMR, Dx Plain, Илиады, в дополнение к программе Consultor, разработанной нами, встроена система шаблонов соответствия, аспекты вероятностного мышления и (в случае Internist) внеплановой отношений. Так что специализированные системы такого типа лучше понять, что необходимо, чтобы мы более подробно рассмотрим логическую основу диагностического процесса..

Логика диагностического процесса

"Продвижение в технологии делает диагностической задачи главный поглощенность. Окончательный диагноз покинул сферу клиники и стали зависеть от очень дорогостоящей медицинской техники и потенциально ятрогенная. Эта реальность требует от нас действовать с большей осторожностью при помощи научных методов в клинической дискуссии, от начальной точки, что ятрогенией и медицинские расходы уменьшаются в размере правильно заказать дополнительные экзамены".

Основные принципы

Слово «диагноз» происходит от греческого смысла различать или различать. В медицинской точки зрения это было определено Mason как ряд интеллектуальных и оперативных процедур, с помощью которых один получает ответ на клиническую проблему. В этом смысле есть несколько слов, которые дополняют слово "диагноз", изменяющее свое значение: клинический диагноз, анатомические и патологические диагнозы, радиологическая диагностика, электрокардиографии, диагностика и т.д. Выражение "дифференциальный диагноз" был определен Харви как искусство различения одного болезнь от другого установления одного или более четко определены причины, чтобы объяснить изменения, представленные пациента. Классическое учение орудие этой формы диагностики была клиническая патологическая сессия, в которой особо сложных случаях представляются к анализу общей практики или специалистов в учебных целях. В клинической практике, а также в указанных сессий, последовательность, с помощью которого осуществляется дифференциальный диагноз может быть суммированы в следующих этапах. 1) Получение данных 1a) клинической истории; 1b) медицинский осмотр; 1c) лабораторное обследование. 2) анализ данных; 2а) критическая оценка полученных данных; 2b) перечень выводов в порядке важности; 2в) выбор одного или, предпочтительно, от двух до трех центральных выводов; 2d) перечень заболеваний, при которых эти центральные выводы могут быть найдены; 2e) поиск окончательного диагноза путем выбора болезни, которая лучше объясняет результаты пациента; 2f) пересмотр всех положительных данных, чтобы не оставлять вывод считается важным без объяснения..

Последовательность упоминается не обязательно настолько жесткой. Анализ конкретного случая, как правило, начинается в процессе сбора данных, когда врач использует свой опыт, чтобы подробно выводы. По жалобе одышкой, кардиолог будет пытаться определить его "во время физических упражнений или отдыха" в экспериментальной попытке сделать диагноз сердечной недостаточности. С этого момента при физическом осмотре кардиолог будет искать признаки физической перегрузкой (яремной набухания, хрипы), или расширения сердца, (апекс отклонение), третий звук сердца), чтобы подтвердить предполагаемую гипотезу. У больного с длительной лихорадкой, который представляет с митрального ропота, опытный врач будет искать признаки эмболии, бледность, спленомегалия или барабанил пальцами, чтобы подтвердить подозрение, инфекционного эндокардита (IE). Эти два примера показывают, как анализ данных может начаться рано, совершенствуя результат истории и физического осмотра.

Когда данные собираются, врач классифицирует его по степени важности и он процесс дифференциальной диагностики начинается, в последовательности, предложенной ранее. Некоторые врачи пытаются много раз, чтобы охарактеризовать комбинации результатов, как синдромы с целью упрощения процесса дифференциальной диагностике. часто используются такие выражения, как чахоточном синдром, синдром диареи, синдрома легочной гипертензии, застойной синдрома, инфекционного синдрома, синдрома плеврального выпота и другие. Они представляют собой, в действительности, формы выражения в нескольких словах сочетание симптомов, признаков или лабораторных исследований считается, иметь большое значение..

Несмотря на крайнюю дидактизма этого подхода, некоторые проблемы могут возникнуть во время его использования. Первый из них является неправильный выбор из центральных выводов. Это требует некоторого опыта в определении выводов, которые, в силу своей специфики, заслуживают того, чтобы быть в ядре диагностического процесса. Ошибочный выбор центрального вывода может составить перечень возможностей чрезмерно длительными, что делает определение диагноза более трудным. Кроме того, исключение нахождения, относящихся к списку, является распространенной ошибкой, серьезных последствий для диагностического процесса. Еще одна распространенная ошибка, даже среди более опытных, является преждевременным заключение окончательного диагноза или синдрома, без наличия неоспоримых данных, чтобы установить его.

Чтобы лучше понять, как дифференциальная диагностика проводится, как вышеуказанные ошибки можно избежать, и как мы можем моделировать медицинское мышление в компьютерной программе, интересно то, что мы делаем критический пересмотр древовидных типов мышления диагностическое обычно используемых..

Виды диагностического мышления

По словам Сокс есть виды основного диагностического мышления: 1) физиопатологических мышления; 2) соответствия шаблону мышления; 3) вероятности мышления. Физиопатологических мышление является самым трудным для имитации в компьютерной программе. Когда пациент описывает историю лихорадки длится в течение шести недель, а затем через три недели от боли увеличения силы в брюшной правой верхней четверти, врач начинает представить себе растущую массу, которая оказывает давление на структуры, чувствительных к боли. Врач начинает потом думать о абсцесс печени или злокачественного узелка с некротической центра, вызывая воспаление.

Сопоставления с образцом мышления чаще используется как много студентов-медиков, как специалистами. Кроме того, легче смоделировать в компьютерных программах. Некоторые находки случаются вместе, и их сочетание приводит к врачу формулировать гипотезы. Оттуда и далее, врач сравнивает данные пациента с тем, что из-за болезни (гипотетической), чтобы проверить, в какой степени они могут прийти вместе. Одним из недостатков этого типа мышления является невозможность определить болезнь, когда она присутствует в форме, отличной от его классического проявления. Остальные недостатки похожи на те, которые комментируются в отношении компьютерных программ, которые используют правила простого сопоставления с образцом: а) не принимая во внимание, насколько сильно присутствие нахождения вызывает болезнь; б) не принимая во внимание, насколько сильно отсутствие ожидаемого нахождения устраняет решительную гипотезу; с) не принимая во внимание преобладающее болезни; г) не принимая во внимание не-уместность нахождения, т.е., как сильно тот факт, об этом не объясняется болезнью исключает его в качестве гипотезы..

Вероятностное мышление основано на том, что врачи имеют дело с неопределенностью в такой степени, которая почти не сравнима с другими специалистами. Вероятность, в данном случае, будет лишь способ измерить эту неопределенность, когда два врача, например, сказать, что пациент, вероятно, имеет легочную embolia; можно было бы думать о вероятности 30%, а другой 90%. При работе с этой неопределенностью, врач справиться с ним много раз рассчитывает на лабораторные исследования, которые изменяют его, но не устраняют его. В вероятностной интерпретации этих испытаний, опытный врач использует; интуитивно, так называемая теорема Байеса, которая относится чувствительность, специфичность, распространенность и вероятность после теста. Очевидно, что применение таких понятий, в идеале должны относиться не только к лабораторных исследований, но выводы истории болезни пациента или физического осмотра..

В дополнение к этим трем классическим формам мышления, две другие методы для постановки диагноза заслуживают упоминания - интуитивное мышление и диагностику с помощью афоризма. Интуитивное мышление, вероятно, бессознательная смесь трех типов мышления уже упоминалось включения других субъективных элементов, которые трудно определить. Диагноз по афоризма более конкретно смесь мышления путем pattern- согласования с вероятностями мышления. Такие афоризмы представляют себя в ряде правил, основанных на опыте хорошо уважаемых врачей, например, знак Courvoisier ( "желтуха вследствие обструкции общего желчного протока, связанного с ощутимым, безболезненного желчного пузыря предлагает пациенту с раком головы поджелудочной железы ") Другим примером может служить" желтуха, связанная с бледностью и увеличенной селезенки заставляет задуматься о гемолитической анемии ". Такие афоризмы, однако запоминающимся и охватывает бесконечное сочетание клинических данных, представляют собой, по сути, упрощение сложных проблем. Кроме того, их запоминанию, афоризмы мало способствуют обучению логику диагностического процесса. Интересно отметить, что большое внимание было уделено в последние годы на так называемых правил клинического прогнозирования. Они имеют своей целью снижения степени сомнения в диагностике, определяя, как использовать клинические данные для составления прогнозов. Более тщательный анализ показывает, что эти правила клинического прогнозирования являются современным, переиздание старых афоризмов 18. Разница заключается в том, что такие регрессии, установленные на основе анализа сотен пациентов, использовать расчеты вероятностей и сложных математических методов. Таким образом, они были в центре внимания большой интерес в последние годы, в частности, для их возможного использования в системах поддержки медицинского принятия решений.

Базовые концепции

Хорошо известно, что медицинские знания в большей степени основан на вероятности, чем на несомненных. Вероятности мышление настолько важно в диагностическом процессе, в определении клинического прогнозирования 18, и даже в лечении сложных случаев, это удивительно, что практически ничего не учат об этом в медицинской образовательной программе. Для того, чтобы лучше понять количественные аспекты диагностической логики, или, более конкретно вероятностного мышления и теоремы Байеса, краткое введение необходимо понятия чувствительности и специфичности, исходя из определения условной вероятности. В рамках этой концепции для двух событий в зависимости от того А и В, P. (A)> 0, мы определим условную вероятность В, А он был создан, как:.

Давайте Теперь рассмотрим следующую ситуацию, синтезированный в 2 х 2 таблицы, где число n1, люди, как известно, есть болезнь и п2 людей, известных быть свободным от болезни пройти определенный клинический тест.

Мы имеем в этой ситуации возможны следующие результаты: положительный тест и болезнь настоящего: TP (действительно положительное) = а случаи; отрицательный тест и болезни отсутствуют: TN (действительно отрицательные) = D случаев; отрицательный тест и болезнь присутствует: FN (ложный отрицательный результат) = случаях б; Положительный тест и болезни отсутствуют: FP (ложный положительный результат) = C случаев. Когда мы спрашиваем: если болезнь присутствует, какова вероятность положительного теста, или еще лучше, P (T / I)? Ответ дается следующим образом:

Это то, что называется оценка чувствительности теста. Когда мы спрашиваем: если нет болезни, какова вероятность отрицательного теста, или еще лучше, P (T / I)? Ответ дается следующим образом:

Это называется оценочное специфичность теста. Эти понятия чувствительности и специфичности достаточно хорошо известны, однако, часто на интуитивном или поверхностном уровне. Они были использованы более интенсивно после Второй мировой войны из анализа эффективности рентгенологических результатов в диагностике туберкулеза. Высокочувствительный тест очень редко не будет положительным у людей, которые на самом деле имеют эту болезнь. В качестве примера высокочувствительного теста будет лихорадка у пациентов с эндокардитом, или Антиядерной факторов у пациентов с системной красной волчанкой (СКВ). Высокочувствительный тест очень редко не будет отрицательным у людей, которые не имеют болезни. В качестве примера испытания на высокой специфичности, мы имели бы наличие большой растительности на эхокардиографии для диагностики эффектов эндокардита. Подводя итог, высокие тесты на чувствительность полезны для не подтверждающие болезнь, когда отрицательные, и весьма специфические тесты полезны для подтверждения болезни, когда положительный. Всегда, когда мы изменить критерии положительности теста, чтобы сделать его более конкретным, мы будем, с другой стороны, уменьшая его чувствительность. Обратное так же верно. Понятие распространенности относится к частоте заболевания в исследуемой популяции. Понятие прогностической ценности является более сложным, относится к вероятности того или иного лица, имеющего заболевание после изменившихся результатов испытания. Мы можем знать только прогностическую ценность теста, если мы рассмотрим в целом информацию о распространенности, чувствительность и специфичность этого теста математически выражается формулой Байеса.

Теорема Байеса

Хотя понятия чувствительности и специфичности хорошо изучены, то же самое не относится к понятиям до и после тестирования вероятности и, в частности, с теоремой Байеса, которая, несмотря на включение в вводных главах классических учебников редко читают или учат студентов-медиков. В последнее время, способность студентов-медиков количественной интерпретации результатов лабораторного обследования была проверена с помощью вопроса об испытании медицинской интернатуры II ", тест, который имеет чувствительность 70% и 90% специфичность а. В применении к пациенту, принадлежащего к населению, в котором распространенность заболевания составляет 1%, то результаты экспертизы положительны. Что такое пост-тест вероятность этого пациента, страдающего этой болезнью?

Это было не удивительно, на всех, чтобы видеть, что большинство студентов поставили эту вероятность между 70-90%, вместо того, чтобы выбрать правильный ответ, который составил 6,6%. Только студенты, которые правильно ответили были те, кто, во время туров в службу кардиологии, получил некоторую информацию о теореме Байеса через его применение к эргометрии. Томас Байс (1702-1761) был английский философ, математик и богослов, который считается одним из основателей расчета вероятности байесовского анализа было бы поэтому теория статистического фактора решения для расчета вероятности предложения на основе оригинала вероятность и новые факторы.

Выраженный в клинических терминах, это понятие, с помощью которого прогностическую ценность теста или клинических результатов зависит не только от его чувствительности и специфичности, но и на предыдущей вероятности, (то есть, распространенность заболевания в исследуемой популяции) , При этом важно подчеркнуть, что новаторское исследование о применении теоремы Байеса в медицине была опубликована в 1959 году специалист по информатике, Ледли, и врача, рентгенолога, прихотливый, последний уже принимает часть работ, которые дали рождение к медицинской концепции чувствительности и специфичности. Оригинальный формула Байеса, используемый статистиками, выглядит следующим образом:

Упрощенно, применение в медицине заключается в следующем:

И аналогически:

Где: PV + = прогностическое значение (пост-тест вероятность) положительного теста; PV - = прогностическое значение (пост-тест вероятность) отрицательного теста; Pv = распространенность болезни (или вероятность предварительного тестирования); S = чувствительность теста или клинического обнаружения; E = специфичность теста или клинического обнаружения. Неотъемлемым аспектом формулы Байеса является возможность того, что она может быть применена в определенной последовательности. Другими словами, после применения результата проверки на формулы Байеса, прогнозный значение, полученное становится новым вероятность возникновения болезни. Оттуда на новых вероятностей следует рассчитывать из-за других испытаний или результатов. Единственный Предпосылка для этого последовательного применения является то, что тесты быть независимыми друг от друга, то есть, что результат не должен мешать, что от другого. Примером nondependent испытаний является депрессия ST сегмента в эргометрии и наличием той же депрессии ST в Холтеру. Другим примером может служить бледность во время физического обследования и нахождения уменьшенную гемоглобина в анализе крови.

Насколько мы могли бы найти первое практическое испытание для применения теоремы Байеса к медицине был в кардиологии, благодаря работам Warner и др. которые использовали его в качестве вспомогательного средства для диагностики врожденных заболеваний. Но работа, которую создали больше отзвук в нашей специальности была опубликована Рифкин и Гуда 26, который сумел объяснить через него любопытные различия в достоверности стресс-ЭКГ при применении к мужчинам или женщинам, а также пациентам с симптомами или без них симптомы. Другие работы последовали, демонстрируя с практической точки зрения, сила применения байесовской логики в интерпретации эргометрии 17,27, следовательно, будучи в значительной степени понимания среди кардиолог, и вскоре распространяется на все области внутренней медицины. То, что эти работы показывают, если взять тест с 60% (S = 0,6) чувствительность и специфичность 90% (Е = 0,9) и применять его в популяции с 1% (PV = 0,01), распространенность болезни, что вероятность пациента с положительным тестом представляет с болезнью будет (по формуле Байеса) следующим образом:

Эта ситуация отражает вероятность 43-летней женщины без симптомов или молодой женщины 33 лет с некардиологической грудной болью, страдающих коронарной болезнью через положительный результат теста на стресс. Основной урок с использованием формулы в данном случае является то, что это пустая трата денег, ненужные расходы, чтобы запросить тест электрокардиографическую стресс в этой ситуации, так как он вряд ли бы изменить действие, которое должно быть принято. Однако, если вероятность предварительного тестирования на 50% (случай 48-летнего мужчины с атипичной стенокардией) тест положительный стресс изменит вероятность развития ишемической болезни до 85%, если положительный и до 28% при отрицательном значении. Другая форма расчета вероятности послетестовую через использование диаграмм. Возьмем, например, население с вероятностью 5% от представления с болезнью, принимая тест, который имеет чувствительность 70% и 90% специфичность. Случай несет некоторую аналогию, с использованием экскреторной урографии у пациента с вероятностью чуть больше, чем обычно иметь стеноз почечной артерии. В случае, следовательно, ненормальным урографии, что бы вероятность стеноз почечной артерии у пациента с предыдущей вероятностью 5%? Чтобы решить эту проблему, мы можем построить следующую схему:

То, что мы узнали от использования формулы Байеса в данном случае является то, что практика запроса урографию для оценки возможного стеноза почечной артерии, правило, в прошлом, должно быть приостановлено, если учесть, что стоимость и болезненность теста будет быть больше, чем выигрыш, получаемой им. Следствием этого является то, что другие тесты, такие как нефрограмма с каптоприлом стали использоваться вместо этого и даже у пациентов со значительным подозрением на вазоренальной гипертензии. Из упомянутых примеров, большое значение предыдущей вероятности ясна, то есть, распространенность болезни в интерпретации теста или клинического обнаружения. Также очевидно, что тесты с ограниченной чувствительностью и специфичностью изменяют значительно диагностическую вероятность только при применении у пациентов с промежуточной вероятностью наличия болезни.

В ситуациях, в которых предыдущая вероятность очень высокой или очень низкой, ограниченные испытания чувствительности и специфичности не меняют диагноз. Исключение составляют тесты с высокой степенью специфичности для лиц с низкой вероятностью предыдущей или испытаний высокой чувствительности для лиц с высокой вероятностью предыдущей. Другие формы использования теоремы Байеса были предложены, например, использование номограмм, а таблица 2 х 2 статистиков и эпидемиологов по мнению некоторых, чтобы быть легче приложения.

Несмотря на довольно недавнее откровение теоремы Байеса среди терапевтов и кардиологов, особенно для использования в интерпретации эргометрических испытаний, важно подчеркнуть, что опытные врачи всегда использовали его, хотя и интуитивно, на всех этапах диагностического процесса. Когда старшие врачи общей практики подтвердили, что клинические результаты были более важны, чем результаты лабораторного обследования при принятии решений они думают в байесовской образом, не подозревая об этом. Когда они подтвердили, что это будет лучше думать о наиболее распространенных заболеваний, даже если проявления или симптомы были необычные вместо типичных проявлений раритетов, они были, интуитивно, применяя теорему Байеса. Используя наличие выводов высокой специфичности для подтверждения диагнозов и выводы высокой специфичности, чтобы удалить их, заключается в применении, хотя и не формально, Байеса логика. Во время технологического распространения, когда лабораторные исследования излишне запрошенной и ошибочно интерпретировано, уделить должное значение истории болезни пациента и эпидемиологических данных, чтобы думать в байесовской пути.

Диагноз основывается на оценке, его отношение к теореме Байеса и к специализированным системам.

Теорема Байеса из-за его логического совершенства, математической точностью и его возможность последовательного применения, поэтому кажется, идеальный инструмент для строительства моста между медицинского мышления и информатики. Он имеет, однако, некоторые ограничения, особенно в отношении его использования в специализированных системах дифференциальной диагностики: а) трудности в определении предыдущей вероятности в различных ситуациях. Программы, разработанные для США должны быть модифицированы для таких регионах, как сельской части штата Сеара. Кроме того, распространенность некоторых болезней варьируется также в зависимости от учреждения, будучи иногда очень низко в общем амбулатории, а не так низко в лазарете третичного больницы и высоко в анатомо-клинических сессий; а) трудность в применении формулы Байеса последовательно в нескольких тестах и, особенно в случаях, когда тесты не являются независимыми; б) трудности медицинских специалистов, отвечающих за разработку базы данных в понимании формулы.

Эти трудности были бы вероятным объяснением того факта, что программы на основе строгого применения функции теоремы Байеса лучше в более ограниченных областях медицинских знаний. Один из способов, чтобы свести к минимуму их было бы использование теоремы Байеса преобразуется в систему оценки, как это было предложено Rembold и Уотсоном. Согласно этим авторам, превращая вероятность в шансы и сделать линейное уравнение с использованием соответствующего натурального логарифма, мы имели бы преобразование дробных значений в целых чисел, которые назвали бы веса или оценки, которые должны быть поняты и использованы , Формула, предложенная Rembold и Уотсон будет следующим:

Еще до выхода в математическую достоинствах этого предложения, оно становится привлекательным для предполагая, что, приписывая положительные оценки для тестов или клинических данных в функции, главным образом, специфичности (если он присутствует или положительный) и отрицательные баллы в зависимости от чувствительности (если отсутствует или отрицательный) можно было бы быть, таким образом, применяя теорему Байеса. Еще одна причина, чтобы смотреть на такого рода предложения выгодно в том, что идея создания диагнозы с использованием оценки является давно всем знакомый с учетом клиницистов, с огромным количеством литературы о нем. В кардиологии, возможно, Джонс был первым, чтобы предложить, и приняли, форма диагноза аналогична скоринга.

Так называемые критерии Джонса (два основных признаков или один из основных и два небольших в качестве условия для диагноза ревматизма) легко трансформируемые в баллы. В этом случае достаточно приписать значение 5 для основных знаков и 2 для второстепенных признаков и рассмотреть вопрос 9 в виде суммы баллов, необходимых для указания вероятного диагноза ревматизма. Основные признаки, очевидно, большей специфичности, минор меньшей специфичности. Тем не менее в кардиологии, в дополнение к ревматической лихорадки, такие разнообразные болезни, как ишемическая болезнь сердца, сердечная недостаточность, пролапс митрального клапана, эндокардита и экссудативный перикардит уже получили предложенные критерии для установления диагноза через сложения баллов или нечто подобное. В ревматологии критерии Американского колледжа ревматологии для диагностики ревматического артрита и SLE хорошо известны. В эндокринологии интересно вспомнить критерии Wayne точек для диагностики гипертиреоза. Потенциал список огромен, предполагая, что диагноз баллами имеет сильную логическую основу (из байесовской природы, однако без математической строгости с использованием формулы) становится инструментом чрезвычайно простого использования в дифференциальной диагностике программного обеспечения.

По всем этим причинам, программы, такие как терапевту - я и его вариант QMR, попытайтесь сделать диагнозы за счет использования баллов, которые относятся к связи между клиническими данными и болезней. Один из этих оценок относится к напоминающей силы, которая, по мнению авторов представляло бы грубо понятие прогностическая ценность положительного результата, сильно зависит от специфики и распространенности. Второй относится к частоте, с которой найдена болезнь, которая относится к чувствительности обнаружения. Internist программа была испытана и сообщила о в классической статье, показывает более низкую производительность по сравнению с ответственными за обсуждение дел в анатомо-клинических сессий The New England Journal медицины, но сравнимо с одним ответственным за пациентов (клинический диагноз ). В последующей оценке, ее вариант QMR имел удовлетворительную производительность с точки зрения того, чтобы быть вспомогательной по отношению к диагностике в реальных случаях в университетских больницах. Кроме этого, Dx - Plain Гарвардского университета и Илиады, основаны на тех же принципах, причем последний строго байесовский.

Программа Consultor, изначально разработанная в области кардиологии, а затем распространяется на все внутренней медицины делает важные аналогии с упомянутым системами. Consultor была оценена первоначально путем его представления медицинских тестов на жительство, а совсем недавно, через анатомо-клинических сессий госпиталя Walter Cantidio университета и Новой Англии Журнале медицины (в данном случае только Кардиология случаев). Система должна была, на основе этих оценок, очень приемлемой производительности в внутренней медицины и, в частности, в кардиологии. Четыре североамериканских системы сравнительно оцениваемые также имели приемлемый, сравнительно одинаковую производительность. Некоторые из ограничений Consultor, однако, вызвал специалистов в данной дисциплине к выводу, что такие системы должны использоваться только врачами, способных идентифицировать и использовать соответствующую информацию и игнорируя nonpertinent информацию, предоставляемую системой.

Ряд запросов может быть сделано в отношении специализированных систем поддержки медицинской диагностики. Могут ли такие системы ограничить развитие клинического мышления. В случае их использование мирянина или фельдшеров быть разрешены или нет? Может ли системы, подобные этим заменить терапевтов в будущем? В связи с первым вопросом, наш опыт показывает, что использование специализированных систем диагностики поддержки со стороны студентов-медиков помогает студентам понять более интенсивно такие понятия, как чувствительность, специфичность и распространенность и их отношение к теореме Байеса, заточка, а не притупляя клиническое мышление. Очевидно, что более окончательная оценка потребует, что диагностическая эффективность студентов, обучающихся в таких системах и студентов, не подвергавшихся программ, обсуждавшихся можно сравнить. Второй вопрос ответить сложнее. Хотя никакое знание не должно, в принципе, иметь привилегию корпорации, текущая фактическая тенденция людей, отвечающих за специализированных систем, не предоставлять доступ к мирянам. Это принципиально по двум причинам: наиболее важным является то, что пока нельзя полностью доверять прогнозирующие диагнозы этих систем, которые могли бы причинить вред пациентам, если они используются не недостаточно подготовленными лицами; другой, что производительность специализированных систем, «требует точного сбора и интерпретации клинических данных, которые не будут найдены, на данный момент, за пределами медицинской профессии.

Поэтому представляется очевидным, что освобождение специализированных систем, таких как Consultor, QMR, Илиады и Dx-Plain для использования неспециалиста может принести больше рисков, чем выгоды для пациентов, как алгоритм этих систем должна быть улучшена, так как длинный путь до сих пор продолжается чтобы отделить их от поведения действительно похож на медицинского мышления. Так обстоит дело, в частности, для Consultor, путем включения в большей степени физиопатологических "мышления" к своей логике и установления причинно-следственной связи между болезнями. Возможно, это будет достигнуто только за счет замещения настоящего компьютерного языка к одному более подходящее для искусственного интеллекта. Но, даже если производительность этих систем улучшается, что делает их очень умным и независимым, было бы трудно принять вероятность того, что они могли бы стать заменой для врачей. В связи с гуманитарным аспектом медицины, необходимость детального сбора данных и способность к состраданию к ближнему, человек всегда будет иметь безопасное положение в уходе за пациентами.

Список литературы

  1. Ribeiro JC. Aula da Saudade. Rev Med Univ Fed Ceara 1976; 15: 67-70.
  2. Genaro S. Sistemas Especialistas: O Conhecimento Especializado. Rio de Janeiro - Sao Paulo: Livros Tecnicos e Cientificos Editora, 1986.
  3. Goldstein J, Papert S.Cogn Sci, 1977; 1: 84. Apub Duda RO, Sotliffe EH. Expert systems research. Science 1983; 220: 261-20.
  4. Baxt WB. Use of an artificial neural network for the diagnosis of miocardial infarction. Ann Intern Med 1991; 115: 843-8.
  5. Ortiz J, Sabbatini RM, Gheffer CGM, Silva CES. Uso de redes neurais artificiais na avaliacao da sobrevida na insuficiencia cardiaca. Arq Bras Cardiol 1995; 64: 87-90.
  6. Duda RO, Shotliffe EH. Expert system research. Science 1983; 220: 261-8.
  7. Slozovitz P, Patil R, Schwartz WB. Artificial inteligence in medical diagnosis. Ann Intern Med 1988; 108: 80-7.
  8. Pauker SG. Clinical decision making. In: Wyngarden JB, Smith Jr LH, Bennett JC (Ed). Cecil's Textbook of Internal Medicine. Philadelphia: WB Saunders, 1992: 68-73.
  9. Braunwald E. Introduction to clinical medicine. In: Braunwald et al (Ed). Harrison's Principles and practice of Internal Medicine. New York: McGraw-Hill, 1987: 1-5.
  10. Johns RJ, Hazzard WR. Clinical information and problem solving. In: Harvey AM, et al (Ed). The Principles and Practice of Medicine. Norwalk-Connecticutt: Appleton Century Crafts, 1984: 5-27.
  11. Harvey AM, Bordley J. Diferential Diagnosis - Abridgement of the 2nd Ed. Philadelphia: WB Saunders, 1972: 1-18.
  12. Miller RA, Pople Jr, HE, Myers JD. Internist I, an experimental computer based diagnostic consultant in general internal medicine. N Eng J Med 1982; 307: 468-75.
  13. Miller RA, McNeil MA, Chalinor SM, Masarie FE, Myers JDP. The internist1/quick medical reference project- Status report. West J Med 1986; 145: 816-22.
  14. Rodrigues PMM. Logica diagnostica. Ceara Medico 1981; 3: 71-2.
  15. Voytovich AE, Ryppey RM, Sufreddem AS. Premature conclusions in diagbnostic reasoning. J Med Educ 1985; 60: 302-7.
  16. Sox Jr HC. Medical decision making. In: Barondness JA, Carpenter G, Harvey AM. Diferential Diagnosis. Philadelphia: Lea & Fediger, 1994: 9-22,
  17. Diamond GA, Forrester JS. Analisys of probability as an aid in the clinical diagnosis of coronary artery disease. N Eng J Med 1979; 300: 1350-8.
  18. Wasson JH, Sox HC, Neff RK. Clinical prediction rules: aplications and methodological standards. N Eng J Med 1980; 392: 1109-17.
  19. Yauker SG, Kassirer JP. The threshold aproach to clinical decision making. N Eng J Med 1980; 302: 1109-17.
  20. Fletcher RH, Fletcher SW, Wagner RH. Epidemiologia Clinica: Bases Cientificas da Conduta Medica. Porto Alegre: Artes medicas, 1991
  21. Lusted LB. Introduction to Medical Decision Making. Springfield-Illinois: CC Thomas, 1968.
  22. Andrade PJN. Analise bayesiana: razoes para utiliza-la. Rev Cir Cardiovasc 1990; 3: 36-8.
  23. Ledley RS, Lusted LD. Reasoning foundations of medical diagnosis. Science 1959; 130: 9-21.
  24. Warner HR, Toronto F, Veasy LG. Experience with Bayes's theorem for computer diagnosis of congenital heart disease. Ann NY AcadSci 1964; 115: 558-67.
  25. Warner HR, Toronto AK, Vezsy LG, Stephenson RA. Mathematical aproach to medical diagnosis : aplication to congenital heart disease. JAMA 1964; 177: 177-83.