Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
Medicinska beslutsstödjande system
ESP: An expert system for poisoning diagnosis
and management
0
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
Innehållsförteckning
1. Inledning .............................................................................................................................................. 2
2. Avgränsningar ...................................................................................................................................... 3
3. Introduktion till expertsystem ............................................................................................................. 3
3.1 Bakgrund ........................................................................................................................................... 3
3.2 Uppbyggnad ...................................................................................................................................... 4
Figur 1. En generell modell av ett expertsystem ............................................................................. 6
4. Medicinska beslutsstödjande system .................................................................................................. 6
4.1 Uppbyggnad ...................................................................................................................................... 6
5. Introduktion till ESP: An expert system for poisoning diagnosis and management ........................... 8
6. Uppbyggnad ........................................................................................................................................ 9
6.1 Kunskapsbasen .................................................................................................................................. 9
6.2 Inferensmotorn ................................................................................................................................. 9
Figur 2 Uppbyggnaden av ESP ....................................................................................................... 10
6.3 KAT (knowledge acquisition tool) .................................................................................................... 11
6.4 Kunskapsrepresentation och hantering .......................................................................................... 11
6.5 Hit ratio (träffkvoten) ...................................................................................................................... 12
6.6 Beslutsskapandet i ESP .................................................................................................................... 13
6.7 Fördelar och nackdelar med ESP ..................................................................................................... 14
Figur 3 Användargränssnittet ........................................................................................................ 14
Figur 4 Tillägg av en ny toxikologisk klass i KAT ............................................................................ 15
7. Ståndpunkter ..................................................................................................................................... 15
8. Referenser ......................................................................................................................................... 16
1
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
1. Inledning
I dagens industrialiserade och tekniskt utvecklade samhälle eftersträvas kunskap och
färdigheter som kan hjälpa till att effektivisera och förbättra samhället. För att uppnå denna
förbättring är det fördelaktigt att bland annat utnyttja mänskliga färdigheter inom speciella
områden och implementera deras kunskap i olika system. Systemen kan på det sättet hjälpa
människor att utföra vissa uppgifter som ligger utanför deras kunskapsområde, vilka brukar
kallas för expertsystem. Ett område som jag anser bör ha särskilt god teknisk utrustning är
inom vården. Här krävs det att sjukhusen kan erbjuda patienterna det som dem kräver och
att den mänskliga kunskapen alltid finns till hands. Dock finns det inte någon garanti för att
den mänskliga expertkunskapen alltid finns på plats, därav är det ytterst viktigt att system
som besitter mänskliga kunskaper inom ett specialiserat område finns tillgängliga. Dessa
hjälpande system inom vården är det område som min rapport kommer belysa, närmare
bestämt medicinska expertsystem kallat ”Clinical Decision Support System” och kommer i
fortsättningen att förkortas ”CDSS”.
Anledningen till varför jag valde att fördjupa mig inom detta område är eftersom jag tycker
att det är intressant med system som hjälper och underlättar arbetsuppgifter för människan.
Jag ville fördjupa mig inom ett område där människa och maskin samarbetar och interagerar
med varandra och få en djupare insikt i hur allt hänger ihop.
I denna rapport kommer läsaren först få en bakgrund om expertsystem och deras
uppbyggnad, sedan följer en redogörelse som behandlar uppbyggnaden av medicinska
beslutsstödjande system, för att därefter följas av en beskrivning av det beslutsstödjande
systemet vid förgiftning, ESP: An expert system for poisoning diagnosis and management,
som är fokus för denna rapport. En redovisning om hur systemet är uppbyggt samt för – och
nackdelar med systemet kommer även presenteras.
2
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
2. Avgränsningar
Expertsystem kan delas upp i två användningsområden, dels beslutsfattande system, samt
beslutsstödjande system. I detta arbete har jag valt att enbart lägga fokus på
beslutsstödjande system, då mitt fördjupningsämne bygger på den typen av expertsystem.
Jag kommer även hålla mig till kunskapsbaserade system och inte icke kunskapsbaserade
system.
3. Introduktion till expertsystem
3.1 Bakgrund
Då expertsystem har sina rötter i vetenskapsområdet Artificiell Intelligens (AI), anser jag att
det är relevant att ge en presentation av det nämnda området. Under 1940 talet började
forskningen kring AI äga rum som då framförallt baserades på matematiska beräkningar och
logisk resonering vilket än idag utgör en viktig del av dagens AI system. Datorerna använde
program som var skrivna utifrån en förbestämd algoritm för att lösa olika uppgifter, bland
annat söka igenom databaser och räkna ut ekvationer, dock kunde de inte utföra
resonemang likt människan. Men det var inte förrän i juni 1956 som begreppet ”Artificial
Intelligens” myntades av John Mcarthy vid en sammankomst vid Dartmouth College i New
Hampshire, USA. Denna tidpunkt betraktas idag som födelsen av AI. Under åren som följde
utvecklades det ett antal intelligenta system, ett av de kallades ”Logic Theorist” som
utvecklades av Newell, Shaw och Simon som visade på hög matematisk skicklighet. Senare
gjordes ett försök att implementera mänsklig problemlösningsteknik i programmen vilket
ledde till programmet GPS, General Problem Solver. Kort därpå kom man underfund med att
programmet inte klarade av att hantera komplexa problem vilket tydde på bristande
problemslösningsstrategi. Det som hände var att det blev en exponentiell tillväxt när
sökrymden ökade, vilket programmet inte klarade av. För att minska sökrymden var man
tvungen att göra programmen mindre generella och istället låta fokusen hamna på kunskap
som enbart är relaterad till det specifika problemet. Nu kunde man lösa riktiga problem som
människan stöter på i vardagen och i samband med denna iakttagelse, skapades det första
3
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
expertsystemet DENDRAL. Kortfattat var DENDRAL’s uppgifter att fastställa kemiska
strukturer av okända molekyler. Då dessa färdigheter endast kunde utföras av en expert
inom området, ansågs DENDRAL vara ett expertsystem. De kallas även kunskapsbaserade
system eftersom de besitter kunskap om ett specifikt område. Sådana system kräver en
expert som förser den med kunskap.
3.2 Uppbyggnad
I följande avsnitt ges en förklaring på hur expertsystem fungerar och dess arkitektur.
Keith Darlington ger följande definition av expertsystem:
”Unlike conventional software, expert systems process knowledge – the former process data.
The purpose of expert systems was to emulate human experts at work by attempting to
reason
with knowledge.” (K. Darlington, 2000)
Det finns många definitioner på expertsystem och jag valde just denna definition då jag
anser att den beskriver på ett förståeligt sätt vad expertsystem innebär och pekar på det
som utgör kärnan av expertsystemen. Som tidigare nämnt var syftet med expertsystem att
efterlikna en mänsklig experts beslutsfattande inom ett specifikt område. Innan jag övergår
till att förklara expertsystemets uppbyggnad är det viktigt att ha i åtanken att det är skillnad
mellan, kunskap, data och information (K. Darlington, 2000). Data består endast av ett antal
alfabetiska symboler och har ingen betydelse förrän det appliceras i en kontext, vilket först
då övergår till att vara information. Vid resonering kring problem använder sig en mänsklig
expert av ”tumregler” som är grundade på tidigare erfarenheter, vilket i detta sammanhang
kan definieras som kunskap. Ett expertsystems sätt att resonera på fungerar på liknande
sätt; den lagrar expertens tumregler som IF och THEN- regler och kan därmed representera
kunskapen. Reglerna kan skrivas som premisser på följande vis (K. Darlington, 2000):
” IF condition(s), THEN actions(s)”, mer specifikt:
”IF temperaturen är - 60 (celsius-tecken) grader, THEN är det kallt”.
4
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
Kortfattat innebär detta att ”action(s)” utförs när ”condition(s)” av regeln är uppfylld (K.
Darlington, 2000). Det som sker vid den här typen av regelbaserad kunskapsrepresentation
är att kunskapen som består av en mängd regler matchas mot samlad information.
Expertsystemet går alltså igenom en mängd algoritmer i en speciell ordning och matchar den
mot informationen som finns i kunskapsbasen (E. Turban, 1997). Regler som skapas på det
här viset kallas gemensamt för kunskapsbasen och är den första komponenten som utgör
uppbyggnaden av ett expertsystem. Ett expertsystem består av tre komponenter; en
kunskapsbas, en inferensmotor (sökmotor) och ett användargränssnitt. Kunskapsbasen
utgörs av nyss nämnda IF – och THEN regler och specialiserad kunskap inom ett
problemområde, där reglerna förklarar hur informationen ska behandlas. Här finns all
kunskap som krävs för att formulera och lösa problemen. De flesta expertsystem som
innehåller dessa regler och använder sig av de vid kunskapsrepresentation, kallas för
regelbaserade system, som tidigare nämnt. Nu när kunskapsbasen innehåller ett antal regler
måste expertsystemet veta vilka regler som ska väljas och i vilken ordning uträkningen ska
ske och det är här inferensmotorn kommer med i bilden, som är den andra komponenten av
expertsystemet (K. Darlington, 2000). Denna del av expertsystemet brukar kallas för dess
”hjärna”. Inferensmotorn är ett program som tolkar reglerna som finns i kunskapsbasen för
att kunna dra slutsatser och fatta beslut. Kravet för att denna tillämpning ska ske är att det
måste finnas en premiss och en slutsats som kan dras ur premissen (K. Darlington, 2000). Vid
utförandet av detta använder sig expertsystemet av två strategier: ”forward chaining” och ”
backward chaining”. Vid ”forward chaining” får systemet fram en lösning på ett problem
genom att hitta regler vars premisser kan förklaras utifrån given data. Exempelvis om man
ser att det snart kommer börja regna, tar man med ett paraply innan man går ut. Vid ”back
ward chaining” utgår systemet från en slutsats och går igenom reglerna för att göra
slutsatsen sann. Exempelvis om man får besök av en blöt person med paraply, kan man dra
slutsatsen att det regnar ute. Den sista komponenten som utgör ett expertsystem är
användargränssnittet som är det användaren ser av systemet. Det återspeglar dialogen som
äger rum mellan den mänskliga experten och klienten och fungerar även som
kommunikation mellan användaren och kunskapsbasen.
5
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
Figur 1. En generell modell av ett expertsystem
Som tidigare nämnts kan expertsystem utgöras av beslutsstödjande system. De stödjande
expertsystemen har i uppgift att hjälpa en användare i dennes beslutstagande. Systemet tar
fram information som användaren tar del av och sen är det upp till användaren att avgöra
om denne ska använda sig av systemets förslag eller inte. Den här formen av expertsystem
är vanligast förekommande inom vården (M. Rönn 2000). Expertsystem löser till skillnad från
andra vanliga system, problem med hjälp av någon form av sökning, där den vanligaste
metoden är heuristik. Med hjälp av denna metod hittas lösningen på problemet genom” trial
and error”. (Darlington) Däremot ska det tas i beaktande att det finns expertsystem som
använder sig av andra metoder för att hitta en lösning.
4. Medicinska beslutsstödjande system
4.1 Uppbyggnad
Då jag i förra avsnitten beskrev expertsystemens uppbyggnad och funktion ganska utförligt
kommer jag i detta avsnitt inte göra en lika stor djupdykning, av den anledningen att
medicinska beslutsstödjande system baseras på expertsystemens uppbyggnad. För att
undvika att upprepa information, kommer jag därför i detta avsnitt hålla beskrivningen på en
ytlig nivå, bortsett från när det kommer till skillnaderna mellan CDSS och expertsystem.
Något som bör klargöras innan jag fortsätter på avsnitten om medicinska beslutsstödjande
system, är att det finns skillnader mellan beslutsstödjande system och expertsystem som.
Den främsta skillnaden är att expertsystem kan ta egna beslut till skillnad från de
6
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
beslutsstödjande systemen. En annan nämndvärd skillnad är att expertsystem vill ersätta
mänsklig kunskap medan beslutsstödjande system endast vill assistera vid beslutsfattning (K.
Darlington, 2000). Det finns även skillnader i hur en mänsklig expert resonerar, jämfört med
ett beslutsstödjande system (S. A. Spooner, årtal). Till exempel behöver en doktor inte ha
tillgång till all information vid diagnosställande utan kan ta beslut med lite information. Ett
medicinskt beslutsstödjande system måste ha tillgång till hela informationen då deras
beslutsfattande bygger på väldefinierade regler.
Definitioner av medicinska beslutsstödjande system (Clinical Decision Support Systems,
förkortat CDSS) är många men enligt Turban (2001) inte tillräckligt utförliga. Han saknar en
definition som berör det centrala syftet med CDSS, vilket är att fungera som stöd och
förbättra beslutsfattande. Dock anser jag att S. Andrew Spooners (2007), definition ger en
tämligen rättvis bild av CDSS: ”
”… is a program that supports a reasoning task carried out behind the scenes and based on
clinical data”
Kortfattat är alltså CDSS program som tar emot medicinsk data och presenterar förslag på
diagnoser (S.A. Spooner, 2007). Det finns olika typer av CDSS- modeller och följande text
kommer beskriva en generell uppbyggnad av CDSS. Till att börja med har CDSS och
expertsystem en liknande uppbyggnad; alltså en kunskapsbas, inferensmotor och ett
användargränssnitt. En användare förser systemet med data som utgörs av patientens
symptom. Denna datamängd som är systemets input, är anpassad för systemet, dvs. läkaren
skickar in termer som redan är befintliga i systemets vokabulär. Termerna kallas ”findings”
och dessa matchar andra termer som finns lagrade i systemet. Dessa termer kan innehålla
bl.a. medicinsk information såsom anamnes, en patients sjukdomshistoria. (S.A. Spooner,
2007). Outputen i sin tur, kan bestå av olika diagnoser som presenteras i form av en lista där
de är rankade beroende på deras probabilitet, alltså beroende på hur stor sannolikhet det är
att det kan vara en viss diagnos givet symptom. Precis som hos expertsystem, består
kunskapsbasen av en stor mängd medicinsk kunskap i form av IF – och THEN regler.
Inferensmotorn har i uppgift att kombinera reglerna i kunskapsbasen med patientens data
(S.A. Spooner, 2007). CDSS som består av en kunskapsbas, inferensmotor och
7
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
användargränssnitt brukar kallas för kunskapsbaserade system i den mening att de behöver
en användare som förser det medicinsk information.
Det finns många olika metoder som CDSS använder sig av då det ska presentera
beslutsstödjande information, där en av dem är ett bayesianskt nätverk. Det är en
probabilistisk graf som, med hjälp av Bayes’ teorem, presenterar det probabilistiska
sambandet mellan sjukdom och symptom i form av ett nätverk, alltså hur stor sannolikheten
är att en patient har en viss sjukdom givet symptomen (S.A. Spooner, 2007).
5. Introduktion till ESP: An expert system for poisoning diagnosis and
management
Då allt fler läkare väljer att bosätta sig i urbana miljöer, blir en av följderna för människor
som väljer att stanna kvar på landsbygden, bristfälliga expertkunskaper inom vården. Enligt
statistiska undersökningar bor det fler läkare i storstäderna i Filippinerna, närmare bestämt
bor 87 % av experterna i städerna, medan endast 67 % av landets invånare bor i en storstad.
Detta kan leda till en skev fördelning där det är betydligt fler patienter per läkare, än utifall
fler läkare hade bott på landet, vilket i sig kan begränsa effektiva behandlingar. Genom att
sätta in medicinska beslutstödjande system (CDSS) i sjukhusen som ska assistera läkare vid
beslutsfattande uppgifter, kan problemet med för få experter på plats lösas.
Expertsystemet som kommer förklaras i följande avsnitt är ett regelbaserat, medicinskt
beslutsstödjande system (CDSS) som har i uppgift att förse användaren med relevant
information vid olika typer av förgiftningar. Systemet, som i fortsättningen kommer
förkortas som ESP, utgörs av två huvudkomponenter; en kunskapsbas och en inferensmotor.
Kunskapsbasen innehåller relevant information om olika förgiftningar och regler som
inferensmotorn använder sig utav när den ska ta beslut. Inputen som går in i systemet består
av symptom som användaren skriver in som sedan presenteras i form av en lista på möjliga
förgiftningstyper och systemet ger även förslag på vilken typ av behandling som patienten
behöver. System utgörs även av ett ”knowlegde acquisition tool (KAT), där toxikologen kan
uppdatera kunskapsbasen. KAT är expertens ”fönster” där information om förgiftning läggs
8
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
till, ändras och tas bort. MySQL är databasen som sköter hanteringen av detta. CLIPS (C
Language Integrated Production System), är ett skalfönster som hjälper systemet vid
beslutsfattande uppgifter, vilket också kommer förklaras närmare. En beskrivning på hur
systemet är uppbyggt och hur det fungerar kommer redogöras samt en diskussion om föroch nackdelarna. Källorna är hämtade från artikeln ”ESP: An expert system for poisoning
diagnosis and managment”, (Riza Theresa B. Batista – Navarro et al, 2010) om inte något
annat ges.
6. Uppbyggnad
6.1 Kunskapsbasen
Som tidigare nämnt, består ESP av två huvudkomponenter som utgörs av KAT och CDSS, där
den sistnämnda består av två subkomponenter, närmare bestämt kunskapsbasen och
inferensmotorn. Kunskapsbasen bygger på CLIPS-skalet och innehåller all väsentlig
information i form av regler, bl.a. förgiftningsklasser, subklasser och lämpliga
hanteringsprocedurer vid olika förgiftningar. Hanteringsprocedurerna visar vad som behövs
göras för att avgifta patienten. Det kan handla om att läkaren måste utföra vissa
laboratorietester för att fastställa vilken typ av förgiftning det rör sig om. All data som
toxikologen skriver in via KAT’s användargränssitt, kommer med KAT’s hjälp att sparas till en
databas som i sin tur kommer skicka det vidare till CLIPS-konverteraren. I CLIPSkonverteraren görs datan om till beslutsregler som sedan lagras som CLIPS-filer i CLIPSfilsystemet som befinner sig i kunskapsbasen. Datan i CLIPS- filsystem uppdateras så fort
databasen uppdateras. (Datan som sparas i kunskapsbasen baseras sig på boken ”Algorithms
of Common Poisonings Part”. )
6.2 Inferensmotorn
Inferensmotorn använder de nyligen konverterade reglerna som finns i kunskapsbasen för
att kunna ta beslut, alltså avgöra vilken typ av förgiftning som patienten har givet
9
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
symptomen. För att kunna ta dessa beslut måste en läkare skriva in symptom som denne
uppmärksammar hos patienten i ett webbaserat CDSS- användargränssnitt. Symptomen,
dvs. persondatan konverteras till beslutsregler, precis som i CLIPS- konverteraren, som sedan
skickas till inferensmotorn där reglerna i sin tur kan matchas mot de symptom som
toxikologen skrev in. Inferensmotorn kommer kunna dra slutsatser baserat på
beslutsreglerna och kunskapen i kunskapsbasen, med hjälp av ett verktyg som heter ”CLIPS
expert system tool”. Sedan listas hur stor del av patientens symptom som överensstämmer
med de symptom som fanns i systemet sen tidigare. Detta är en parameter i systemet som
kallas ”hit ratio”. När denna process är klar, presenteras resultatet i form av en lista som
består av möjliga typer av förgiftningar. Den utgör en viktig funktion i systemet då den
simulerar en experts sätt att fatta beslut vid ställandet av en diagnos.
Figur 2 Uppbyggnaden av ESP
10
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
6.3 KAT (knowledge acquisition tool)
Med hjälp av KAT’s användargränssnitt kan toxikologerna uppdatera kunskapsbasen och
även lägga till information gällande olika förgiftningstyper (se figur 3 i artikeln). Användarens
användargränssnitt innehåller följande flikar: Manage Toxicological Classes, Manage
Toxicological Subclasses och Manage Symptoms. Dessa flikar gör det möjligt för användaren
att hantera kunskapen som finns i kunskapsbasen, genom att lägga till, ändra och ta bort
toxikologiska klasser, subklasser och symptom. KAT består av en subkomponent, närmare
bestämt CLIPS – konverteraren, som har i uppgift att konvertera all indata som har skrivits av
en toxikolog till beslutsregler och uppdatera dessa i kunskapsbasen. Processen går till på
följande vis, CLIPS – konverteraren får in data som toxikologen har skrivit via gränssnittet
och utvinner detaljerad och karakteristisk information om de olika förgiftningarna.
Informationen beskriver vilken typ av förgiftningsklass det rör sig om, vilken subklass
förgiftningen tillhör, graden av förgiftning och vilka symptom och tecken som kännetecknas
vid olika förgiftningar. Slutligen omvandlas reglerna som består av information, i CLIPS –
format som sparas i CLIPS – filen i kunskapsbasen. CLIPS – konverteraren uppdaterar
informationen i kunskapsbasen allt eftersom toxikologen förser KAT med ny data.
Det praktiska med KAT är att användaren inte behöver besitta kunskaper i programmering,
då KAT är designat på ett väldigt användarvänligt sätt.
6.4 Kunskapsrepresentation och hantering
Kunskapsbasen utgörs av ett arbetsminne för datamängden som toxikologen skriver in och
ett såkallat produktionsminne som hanterar beslutsreglerna. Dessa regler kan i sin tur
bearbetas av inferensmotorn där den matchar informationen från kunskapsbasen med
informationen som den får från den läkaren. CLIPS har olika listor som den håller i minnet;
en informationslista, en regellista och en agenda, som lite tillspetsat är en tom lista.
Informationslistan i CLIPS utgörs av olika symptom hos en patient, vilka presenteras i form av
11
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
parenteser. Så för att presentera att en patient har symptomen kräkning och feber, skrivs
informationen på följande vis:
(assert (symptom vomiting yes) (symptom fever yes))
Det är denna information som läggs in i CLIPS – informationslistan och som CLIPS håller i sitt
arbetsminne. För att informationen ska nå inferensmotorn, används JClips genom det
javabaserade användargränssnittet . Lite slarvigt kan man säga att JClips fungerar som en
kommunikator mellan användare och systemet. Det är via JClips -funktionen som resultat
kan presenteras för användaren. Reglerna består av mönster som är relaterade med den
angivna informationen och dess motsvarande handlingar. Det som händer är att en regel
aktiveras och läggs in i agendan när alla mönster matchar informationen i informationslistan.
Därmed kan man säga att agendan är en samling av aktiverade regler. För att presentera den
här informationen skapar CLIPS – konverteraren en global variabeldefinition och fyra regler
för varje toxikologisk subklass. Den globala variabeln representerar summan av alla
matchande symptom, medan de fyra reglerna har i uppgift att presentera de nödvändiga
funktionerna för att kontrollera om den toxikologiska subklassen matchar med
informationen. De fyra reglerna har även i uppgift att räkna ut vad ”hit ratio” blir, d vs hur
stor del av patientens symptom som matchar med de symptom som fanns i systemet sen
tidigare. När denna process är klar, presenteras resultatet i form av en lista, närmare
bestämt agendan som visar möjliga typer av förgiftningar som patient kan ha blivit utsatt för.
För närmare beskrivning av hit ratio, se följande avsnitt.
6.5 Hit ratio (träffkvoten)
Som tidigare nämnt visar hit ratio hur stor procentandel av de givna symptomen som
matchar de identifierande symptomen för en speciell toxikologisk subklass. Parametern hit
ratio bygger på en algoritm som finns i beslutsreglerna i ESP vid beslutstagande uppgifter.
Man antar att de identifierande symptomen från kunskapsbasen pekar på samma sjukdom,
12
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
avsett om patienten har mer av det ena symptomet än av det andra. Följande regler
beskriver träffkvoten för varje toxikologisk subklass:
Låt
Låt
toxikologisk subklass.
där X är symptom i form av input och,
, där Y är alla identifierande symptom för varje
Alla X utgörs i det här fallet av patientens symptom som läkaren skriver in i form av input.
Alla Y är alla symptom som identifierar en viss toxikologisk subklass. Funktionen ”Compute –
Hit Ratio” tar två variabler, nämligen x och y där x är alla symptom i form av input och y de
identifierande symptomen för en viss toxikologisk subklass. Då alla symptom är i en regellista
som CLIPS - konverteraren håller i minnet, vilket nämndes i avsnitt ”Kunskapsrepresentation
och hantering”, går vår regel igenom längden på listan med symptom som assistenten
skriver in. Denna input matchas sedan med de identifierande symptomen för varje
toxikologisk subklass. Sedan säger den tredje regeln att om den stöter på en ”hit”
(matchning) så ska denna läggas till med 1 i listan. De matchade symptomen läggs i sin tur in
i agendalistan där antalet träffar delas med längden på listan med de matchande
symptomen och multipliceras med 100 för att få reda på hur många procent hit ration blir.
6.6 Beslutsskapandet i ESP
Grunden för att ESP ska kunna ge förslag på vilka förgiftningar det rör sig om och vilken
behandling patienten bör få, är att symptomen skrivs in i systemet av en läkare.
13
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
6.7 Fördelar och nackdelar med ESP
Nackdelarna med systemet är att det har vissa begränsningar. Då ett antal symptom kan
tyda på många olika typer av förgiftningar, presenterar ESP likadan hit – ratio på alla
förgiftningarna. Resultaten kan ställa till med problem för läkaren som ska fatta ett beslut
baserat på systemets resultat då det saknas ett tydligt svar. Detta kan åtgärdas genom att
toxikologen sätter in fler subklasser och förgiftningsklasser i kunskapsbasen. Fördelar med
ESP är att det kan tillämpas på andra system i syfte att ge beslutsstöd. Exempel på ett sådant
system är ”Unified Medical Language System” (UMLS) där kunskapsrepresentationen
förbättras i kunskapsbasen.
Figur 3 Användargränssnittet
14
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
Figur 4 Tillägg av en ny toxikologisk klass i KAT
7. Ståndpunkter
Jag anser att systemets uppbyggnad är intelligent byggd och att ger en rättvis bild av den
mänskliga experten. Då processerna som görs för att bygga ett medicinskt
beslutsstödjarsystem bygger på den mänskliga expertens kunskaper anser jag att
expertsystem kan vara lika tillförlitliga som en mänsklig expert. En nackdel som jag dock kan
se med dessa system är ifall patienten inte på ett korrekt sätt kan förklara sina symptom så
finns det risk att expertsystemet ställer sämre diagnoser. En mänsklig läkare skulle möjligtvis
kunna ställa bättre diagnoser om denne kan dra slutsatser på tidigare erfarenheter. Då
beslutsstödjande system endast föreslår olika förslag på behandling, så ligger fortfarande
ansvaret hos den mänskliga läkaren vilket förhoppningsvis ska minska utrymme för felsteg,
då utkomsten är en stor kunskapsbas från en expert som ”förståndet” hos en människa.
Detta anser jag är en viktig kombination som kan leda till stordåd i den fortsatta forskningen
kring medicinska beslutsstödjande system.
15
Linköpings universitet
Artificiell Intelligens 2
729G11
HT 2010
Adna Muhsinovic
880313-0627
8. Referenser
Batista Navarro, B. ESP: An expert system for poisoning diagnosis and management. Informa
Healthcare, 2010
Darlington, K. Expert Systems. Prentice Hall, 2000.
Rönn, M. Söderström, W. Medicinska expertsystem. C-uppsats Linköpings Universitet, 2000.
Spooner. S. A. Mathematical Foundations of Decision Support Systems, 2007.
Turban, E. Decision Support Systems and Intelligent Systems, 5th edition. Prentice Hall, 1997.
16
