PAIRS Medical Diagnosis 1.0

O PAIRS Medical Diagnosis

Diagnoza medyczna jest złożonym tematem i cierpi na kilka pułapek. Chociaż studiowanie medycyny jest nauką, praktyka jest sztuką. Błędy mogą się zdarzyć przy ogromnych kosztach dla pacjenta i ich rodziny i lekarza. Systemy wspomagania decyzji klinicznych (CDSS) zostały opracowane w celu zminimalizowania błędów. AI-MED ma na celu pomóc lekarzom zminimalizować błędy w ich praktyce. W badaniu stwierdzono, że 225 000 pacjentów umiera każdego roku z powodu błędu medycznego, w tym błędów diagnostycznych (15%) i działania niepożądane leków (45%). CDSS jest obowiązkowe do użytku w USA wraz z HIS, aby zminimalizować te błędy. Błędy diagnostyczne są popełniane przez lekarzy z kilku powodów. Psychologowie badali te badania i odkryli, że jednym z powodów mogą być istotne rozpraszające cechy. Na przykład, można by pomyśleć, że niektóre funkcje są ważne ze względu na ich obecny związek z jakimś zdarzeniem, ale mogą nie być zaangażowane w proces chorobowy lub niezwiązane z diagnozą. Podobnie wadliwe rozumowanie może być spowodowane błędem poznawczym lub potwierdzeniem. Niektóre inne błędy mogą być spowodowane kotwiczeniem lub kadrowanie lub wczesne zamknięcie potencjalnych klientów. AI-MED został zaprojektowany, aby zminimalizować te błędy, zakłócając proces. Proces diagnostyczny AI-MED jest destrukcyjny dla tradycyjnej diagnozy (nie biorąc pod uwagę żadnych uprzedzeń niezmiennie zaangażowanych w ludzkie rozumowanie), a tym samym minimalizuje błędy.

Sztuczna inteligencja (AI) składa się z przetwarzania języka naturalnego (NLP) i wsparcia decyzji diagnostycznych (DDS) i jest częścią CDSS. Niektóre przykłady NLP obejmują klasyfikator tekstu statystycznego. Jednak terminy kliniczne są bardzo złożone i zwykle są oparte na terminach łacińskich i greckich. Znormalizowana nomenklatura terminologii medyczno-klinicznej (SNOMED-CT) została opracowana do klasyfikacji tekstu. Terminy (ponad 300 000) są indeksowane przez 9 cyfr w celu dokładnego opisu i zautomatyzowanego przetwarzania. Algorytmy są tworzone do używania tego indeksu do poprawnej interpretacji danych pacjenta. DDS jest stosowany na danych pacjenta do diagnozy. Bayesian probabilistic sieci przekonań są popularne i ich metody przybliżenia mogą być wykorzystywane do diagnozy. Physician Assistant Artificial Intelligence Reference System (PAIRS) jest rozwijany w podobnych liniach. Posiada około 28 000 linków do funkcji choroby dla około 486 chorób medycyny wewnętrznej i 2000 funkcji. Funkcje PAIRS składają się z objawów, objawów lub testów. To AI składa się z NLP i DDS. NLP opiera się na analizie indeksu słownego SNOMED-CT. Jego algorytm generuje indeksy oparte na słowie, z których możliwe synonimy są wybierane i wyświetlane. Użytkownik może wprowadzać dane jako jeden polubienia i program szuka ich synonimy z listy funkcji. AI-MED korzysta z bazy danych PAIRS. Przyjazny dla użytkownika NLP umożliwia wprowadzanie danych klinicznych w jednym polubić. Na przykład akronimy są identyfikowane poprawnie przez NLP. Po wprowadzeniu danych pacjenta można uruchomić DDS.

AI-MED wykorzystuje metodę przybliżenia bayesskiej metody probabilistycznej dla swojego DDS. Metoda ta została opublikowana w Journal of Artificial Intelligence Research przez Tommi Jaakkola i Michael Jordan w 1999 roku. Każda z cech PAIRS jest ważona (od 0,09 do 0,99) zgodnie z ich patofizjologiczną podstawą i ich znaczeniem klinicznym. Decyzja diagnostyczna jest skupiona na jednej z każdej grupy dla: zakażenia, nowotworów, autoimmunologicznych lub innych. DDS działa na danych pacjenta, aby dać zestaw możliwych diagnoz. AI-MED podaje dane diagnostyczne niezależnie od jakichkolwiek uprzedzeń. Dla danych danego pacjenta tworzy dane przypadku z bazy danych PAIRS. Dane dotyczące przypadków obejmują masę ciała, częstość występowania choroby i ich statystyczne czynniki wycieku. DDS jest przeznaczony do obliczania przybliżenia prawdopodobieństwa choroby. To przybliżenie ma górną i dolną granicę. Dokładność implementacji tych algorytmów algebraicznych jest weryfikowana przez spójną zmienność numeryczną od 0,00004 do 0,00009 między granicami. Bayesian probabilistyczne oszacowanie jest do diagnozy. Wreszcie, zestaw badań są sugerowane do testowania ewentualnej diagnozy. Dane wyjściowe można zapisać w pliku w celu uzyskania dalszych informacji.