PAIRS Medical Diagnosis 1.0

Tentang PAIRS Medical Diagnosis

Diagnosis perubatan adalah subjek yang kompleks dan mengalami beberapa perangkap. Walaupun kajian perubatan adalah sains, amalan adalah seni. Kesilapan boleh berlaku pada kos yang besar kepada pesakit dan keluarga dan doktor mereka. Sistem Sokongan Keputusan Klinikal (CDSS) dibangunkan untuk meminimumkan kesilapan. AI-MED direka untuk membantu doktor meminimumkan kesilapan dalam amalan mereka. Dalam satu kajian, didapati bahawa 225 000 pesakit mati setiap tahun kerana kesilapan perubatan termasuk kesilapan diagnostik (15%) dan kesan sampingan ubat-ubatan (45%). CDSS dibuat wajib untuk digunakan di Amerika Syarikat bersama-sama dengan HIS untuk meminimumkan kesilapan-kesilapan ini. Kesilapan diagnostik dibuat oleh doktor kerana beberapa sebab. Ahli psikologi mengkaji ini dan mendapati bahawa ciri-ciri mengganggu penting mungkin salah satu sebabnya. Sebagai contoh, seseorang mungkin berfikir beberapa ciri penting kerana hubungan semasa mereka dengan beberapa peristiwa tetapi mungkin tidak terlibat dalam proses penyakit atau tidak berkaitan dengan diagnosis. Sebab yang sama rosak mungkin disebabkan oleh berat sebelah kognitif atau pengesahan. Beberapa kesilapan lain mungkin disebabkan oleh berlabuh atau membingkaikan atau penutupan awal petunjuk. AI-MED direka untuk meminimumkan kesilapan ini dengan mengganggu proses. Proses diagnostik AI-MED mengganggu diagnosis tradisional (dengan tidak mempertimbangkan apa-apa berat sebelah yang selalunya terlibat dalam pertimbangan manusia) dan dengan itu meminimumkan kesilapan.

Kecerdasan buatan (AI) terdiri daripada Pemprosesan Bahasa Asli (NLP) dan Sokongan Keputusan Diagnostik (DDS) dan merupakan sebahagian daripada CDSS. Beberapa contoh NLP termasuk pengelas teks statistik. Walau bagaimanapun, istilah klinikal adalah jauh lebih kompleks dan biasanya berdasarkan istilah Latin dan Yunani. Tatatertib Terma Perubatan-Klinikal (SNOMED-CT) telah dibangunkan untuk klasifikasi teks. Terma (lebih daripada 300 000) diindeks oleh 9 angka untuk perihalan yang tepat dan pemprosesan automatik. Algoritma dibina untuk menggunakan indeks ini untuk tafsiran yang betul data pesakit. DDS digunakan pada data pesakit untuk diagnosis. Rangkaian kepercayaan probabilistik Bayesian adalah popular dan kaedah anggaran mereka boleh digunakan untuk diagnosis. Penolong Pakar Perubatan Sistem Rujukan Kecerdasan Buatan (PAIRS) dibangunkan dalam barisan yang sama. Ia mempunyai kira-kira 28 000 pautan ciri-ciri penyakit untuk kira-kira 486 penyakit perubatan dalaman dan 2000 ciri-ciri. Ciri-ciri PAIRS terdiri daripada gejala, tanda atau ujian. Ia AI terdiri daripada NLP dan DDS. NLP adalah berdasarkan analisis indeks perkataan SNOMED-CT. Ia algoritma menjana perkataan berdasarkan petunjuk dari mana sinonim yang mungkin dipilih dan dipaparkan. Pengguna boleh memasukkan data sebagai satu suka dan program mencari sinonim mereka dari senarai ciri. AI-MED menggunakan pangkalan data PAIRS. NLP mesra pengguna membolehkan seseorang memasukkan data klinikal sebagai satu suka. Sebagai contoh, singkatan dikenal pasti dengan betul oleh NLP. Sebaik sahaja data pesakit dimasukkan, seseorang boleh menjalankan DDS.

AI-MED menggunakan kaedah Anggaran Kaedah Probabilistik Bayesian untuk DDSnya. Kaedah ini diterbitkan dalam Journal of Artificial Intelligence Research oleh Tommi Jaakkola dan Michael Jordan pada tahun 1999. Setiap ciri PAIRS diwajibkan (0.09 hingga 0.99) mengikut asas patophysiologi dan kepentingan klinikal mereka. Keputusan diagnostik dikelompokkan ke dalam salah satu daripada setiap kumpulan untuk: jangkitan, neoplasia, autoimun atau lain-lain. DDS berjalan pada data pesakit untuk memberikan satu set diagnosis yang mungkin. AI-MED memberikan data diagnostik tanpa mengira sebarang berat sebelah. Untuk sebarang data pesakit yang diberikan, ia membina data kes dari pangkalan data PAIRS. Data kes termasuk berat, kejadian penyakit dan faktor kebocoran statistik mereka. DDS direka untuk mengira anggaran kebarangkalian penyakit. Anggaran ini mempunyai batas atas dan bawah. Ketepatan pelaksanaan algoritma algebra ini disahkan dengan menghasilkan variasi angka yang konsisten iaitu 0.00004 hingga 0.00009 antara batas-batas. Anggaran kebarangkalian Bayesian dibuat untuk diagnosis. Akhirnya, satu set penyiasatan dicadangkan untuk menguji diagnosis yang mungkin. Output boleh disimpan dalam fail untuk rujukan lanjut.