01 Август 2015

Моделі баз знань медичних систем

Розглядається оригінальний підхід до моделювання баз знань у медицині. Міститься основні етапи побудови баз знань за допомогою інструментального засобу створення моделей баз знань у комп'ютерній системі "КАРКАС" (http://it-karkas.com.ua). Комп'ютерна система "КАРКАС" реалізує основні інструментальні засоби, сервіси (middleware, каркаси) для побудови баз знань предметної галузі за допомогою ієрархічної функціональної системи і таким чином полегшує побудову експертних систем та експертно-навчальних систем. Метою даної є дослідження моделі ієрархічної функціональної системи на основі поняття розшарування баз знань, що володіють динамічною структурою і з можливістю самоадаптації в процесі експлуатації. Основний акцент роботи спрямований на розвиток логічних умінь, розуміння причинно-наслідкових зв'язків у медичній предметній галузі, на розвиток компетенцій та позитивної мотивації студентів щодо сучасних напрямів штучного інтелекту. Рекомендовано для студентів, аспірантів та викладачів.
Ключові слова: бази знань, медичні експертні системи, навчання та тестування знань
 
Моделі баз знань медичних систем

	Зміст
	Вступ	3
1.	ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ	7
1.1.	Експертні системи	7
1.2.	Експертні системи, що навчаються	11
1.3.	Мультіагентні системи	15
1.4.	Подання знань в інтелектуальних системах	18
1.5.	Методы поиска решений в пространстве состояний	23
1.6.	Математична модель ієрархічної функціональної системи динамічної предметної галузі	25
1.6.1.	Онтології предметної галузі	26
1.6.2.	Функціональні системи	30
1.6.3.	Відкриті динамічні системи	31
1.7.	Характеристика системи "КАРКАС"	36
1.7.1.	Візуальний редактор бази знань	45
1.8.	Засоби побудови онтології у системі "КАРКАС"	50
1.8.1.	Алгоритм парсингу правил бази знань	52
1.8.2.	Технічна реалізація онтології	55
1.8.3.	Модуль обурення правил бази знань	56
2.	МОДЕЛІ МЕДИЧНИХ БАЗ ЗНАНЬ	58
2.1.	Модель бази знань визначення ризику виникнення ІХС	58
2.1.1.	Обробка знань групи експертів	59
2.1.2.	Точне налаштування бази знань	63
2.1.3.	Фільтрування бази знань	72
2.2.	Модель баз знань з діагностики інфаркту міокарда	79
2.3.	Модель баз знань із діагностики захворювань загального характеру	89
2.4.	Модель баз знань з діагностики гострих та хронічних захворювань печінки	96
2.5	Модель баз знань з ранньої діагностики пухлин молочної залози	100
3.	ФОРМУВАННЯ КОМПЕТЕНТНОСТЕЙ ТА ЇХ ОЦІНКА З ДОПОМОГЮ ІНТЕЛЕКТУАЛЬНИХ ТЕСТІВ	104
3.1.	Інтелектуальна компетентність	104
3.2.	Оцінка інтелектуальної компетенції	105
3.3.	Медичні експертно-навчальні системи	130
3.4.	Про один алгоритм навчання медичним знанням	135
	Висновок	144
	Література	145

Вступ
Експертні системи – це клас комп'ютерних систем, які можуть давати пораду на рівні експерта: консультувати, ставити діагноз із певним ступенем впевненості, пояснювати свої висновки (http://www.it-karkas.com.ua).

Існують різні способи представлення досвіду та знань експертів у комп'ютерних системах. Один із найпростіших заснований на використанні логічної конструкції типу "якщо <умова>, то <дія>", яка називається правилом або продукцією.
Інший спосіб формування структури знань заснований на понятті "фрейм" (каркас), який є одиницю знання про предметну область як єдиний об'єкт і характеризує його набором слотів.
Правила та кадри можуть складатися з безлічі атрибутів та їх значень. Кожному атрибуту відповідає питання, яке буде задаватися під час використання системою цього правила або кадру, а кожне значення відповідає можливій відповіді на поставлене запитання.
Ядром експертної системи є база знань та алгоритм прийняття рішення (машина виведення).
На шляху створення експертних систем існує кілька перешкод, наприклад, несуперечність знань у базі знань та її динамічний супровід.
Інструментальний засіб створення моделей баз знань – комп'ютерна система “КАРКАС” як об'єднує обидві ідеології (продукції і фрейми) уявлення знань, а й заснована на новому підході представлення знань як ієрархічної функціональної системи відбиває динамічні процеси предметної області. Як приклади, на сайті системи "КАРКАС", наведено різні презентації моделей баз знань. Оскільки модель кадру (каркас знань, що складається з слотів) найбільш вдало відображає елементи знань людської нейронної мережі, то система, що розглядається, отримала назву "КАРКАС" [30].
Комп'ютерна система "КАРКАС" реалізує основні інструментальні засоби, сервіси (middleware, бібліотеки, движки, каркаси) для побудови баз знань предметної галузі за допомогою ієрархічної функціональної системи і таким чином полегшує побудову експертних систем та експертно-навчальних систем.
Система "КАРКАС" поєднує різні підходи в побудові систем, заснованих на знаннях, таких як: експертні системи, експертні навчальні системи, мультиагентні системи.
Такі компоненти, як редактор бази знань, машина виведення, блок пояснення, є загальними для перерахованих систем і є інструментами системи "КАРКАС", які можна імплантувати в прототипи експертних систем.
Медичні експертні системи дозволяють лікарю не лише перевірити власні діагностичні припущення, а й звернутися до комп'ютера за консультацією у важких діагностичних випадках.
Типовими властивостями медичної предметної областю є динамічність та великий обсяг багатовимірних та суперечливих клінічних даних. Медичні експертні системи дозволяють вирішувати завдання діагностики, диференціальної діагностики, прогнозування, вибору стратегії та тактики лікування.
Загальний принцип, покладений основою формування медичних експертних систем, – включення основою знань синдромів, що відбивають стан всіх основних систем органів.
У створенні експертної системи беруть участь, як правило, лікар-експерт, математик та програміст. Основна роль розробці такої системи належить експерту-лікарю.
За допомогою системи "КАРКАС" розроблено низку прототипів експертних систем у таких предметних галузях: медицина, економіка, мобільний зв'язок та кластерний аналіз багатовимірних даних.
У галузі медицини існують такі прототипи експертних систем:
система "РІБС" - призначена для визначення ризику виникнення ішемічної хвороби серця (ІХС) у практично здорової людини. Актуальність розробки її пояснюється тим, що в медицині чітко виражений процес переходу до концепції профілактики ІХС, тобто до концепції про фактори ризику, пов'язані зі стилем життя конкретного пацієнта. Розуміючи важливість цієї концепції, більшість лікарів мало займається профілактикою ІХС у повсякденній роботі. Однією з причин є відсутність чіткої системи виявлення факторів ризику ІХС, покликаної допомогти лікарю діагностувати і оцінювати ризик розвитку даного захворювання. Мета системи – розпізнати наявність факторів ризику ІХС з акцентом на індивідуальний спосіб життя пацієнта, використовуючи знання експертів. До особливостей системи можна віднести те, що з її допомогою у пацієнта діагностуються тип коронарної поведінки; ступінь соціально-психологічної підтримки; рівень фізичної активності; ступінь адекватності відпочинку;
система "ІНФАРКТ" – допомагає лікарям діагностувати інфарктних хворих, оцінювати їх стан та давати прогноз розвитку наступних ускладнень при інфаркті міокарда: фібриляції; гострої лівошлуночкової недостатності; хронічної серцевої недостатності; аритмії; тромбоемболії; розриву міокарда; повторний інфаркт. Система висуває дві гіпотези: ускладнене та гладке (без ускладнень) перебіг інфаркту міокарда у хворого. Потім у процесі консультації з лікарем вона обчислює шанси цих гіпотез на основі симптомів хворого та його анамнезу. Якщо приймається перша гіпотеза, то починається аналіз обчисленої апостеріорної ймовірності, яка є основою для діагностування ступеня розвитку відповідного ускладнення інфаркту. Логічний висновок спирається на Байєсовський метод прийняття рішення;
система "ГЕПАТИТ" – призначена для діагностики гострих та хронічних захворювань печінки. Система дає можливість: розпізнати причину захворювання печінки та по можливості шляхом її усунення отримати терапевтичний ефект; цілеспрямовано включити медикаментози для лікування захворювань печінки; провести статистичну оцінку терапевтичних заходів у пацієнтів У предметній області виділено три кластери знань: клінічні дані; лабораторні дані; морфологічні дані, що дозволяють встановити докладний діагноз захворювання печінки. Перший кластер знань використовує дані анамнезу та скарги хворого з боку печінки, результати пальпації та перкусії печінки, а також огляду (зовнішнього вигляду) хворого. Другий кластер знань на основі лабораторно-хімічних змін функції печінки, ураження печінкової клітини, холестазу, активності мезенхіми та досліджень імунологічної реакції дає можливість визначити тип жовтяниці, а також характер захворювання печінки. Третій кластер дозволяє визначити свідчення для морфологічної діагностики. Наприклад, видається інформація про те, що треба проводити черезшкірну біопсію печінки чи не треба;
Система "АДРАМЖ" (автоматична діагностика раку молочних залоз) призначена для ранньої діагностики пухлин молочних залоз. Діагностика спирається на знання експерта-онколога, які згруповані за такими розділами: термографія; анамнез; фізикальні дослідження; ехотомографія. Система дозволяє класифікувати такі пухлини: - ліпома; фіброаденома; фіброзно-кістозна мастопатія дифузна; фіброзно-кістозна мастопатія локалізована; ДФА (дифузний); ДФА (локалізований); мастит.
Медичні експертні системи дозволяють не тільки проводити ранню доклінічну діагностику у практично здорової людини, але також оцінювати її схильність до захворювань.
Фрагменти прикладів баз знань (тексти правил і фреймів, скріншоти) призначені лише для навчання та розуміння логіки міркувань під час консультації у системі "КАРКАС".
 
ОБРАНЕ
 
РОЗДІЛ 2. МОДЕЛІ МЕДИЧНИХ БАЗ ЗНАНЬ
 
2.1. Модель бази знань визначення ризику виникнення ІХС
 
Постановка задачі. Розробити БЗ для визначення ризику виникнення ішемічної хвороби серця (ІХС). Актуальність розробки її пояснюється:
по-перше, еволюційним переходом від терапії ІХС до профілактики ІХС; від популяційної профілактики до профілактики індивідуальної;
по-друге, прагненням людини до самостійного здобуття знань з оцінки ризику ІХС;
по-третє, можливістю самоконтролю за зміною ризику ІХС для ухвалення рішення звернення за лікарською консультацією
за високого її ступеня.
Призначення прототипу ЕС - це профілактичне консультування пацієнта щодо оцінки ризику ІХС.
Сфера застосування прототипу ЕС – це різні медичні підприємства: диспансери, поліклініки, медсанчастини.
Мета прототипу ЕС - моделювання прийняття рішення про ризик виникнення ІХС у практично здорової людини [9, 12, 31].
Початкові дані: медичні аналізи.
Очікувані результати (список можливих значень мети консультації):
індивідуальна профілактика ІХС;
самостійне отримання знань про рівень ризику ІХС;
самоконтроль рівня ризику ІХС;
отримати відповідні рекомендації для зниження ризику ІХС.
Ідентифікація предметної галузі. Під фактором ризику розуміється соціальний, біологічний та економічний статус людини, моделі її поведінки та умови, що сприяють виникненню ІХС.
За результатами досліджень експертів встановлено, що діяльність амбулаторного лікаря має бути націлена на виявлення лише основних факторів ризику ІХС, а саме: гіперхолестеринемія, артеріальна гіпертонія, куріння, надмірна маса тіла, нераціональне харчування та алкоголь. Розумність цієї рекомендації зумовлена ​​тим, що основна функція лікаря полягає у діагностиці самої хвороби, а не донозологічних станів. Практична пріоритетність донозологічної діагностики сприяла тому, що експертна група розширила число факторів ризику ІХС до 13: гіперхолестеринемія (підвищений вміст холестерину в крові), гіпертензія (підвищений артеріальний тиск), куріння, гіподинамія (зниження рухової активності), надмірна стрес, відсутність соціально-психологічної підтримки, нераціональне харчування, цукровий діабет, несприятлива спадковість, неадекватний відпочинок, алкоголь.
Таким чином, для оцінки ризику виникнення ІХС у практично здорової людини обрано 13 провідних факторів на думку експертів ВООЗ.
Висновки. Модель БЗ для визначення ризику ІХС була реалізована в прототипі експертної системи "РІБС" [9] . Наведемо основні можливості та характеристики цієї системи.
Для представлення знань використовуються фрейми та продукції. У БЗ можуть зберігатися факти та евристики. Крім них можуть бути метазнання, які використовуються для управління логічним висновком. БЗ містить як статичні, так і динамічні правила.
Фрейми системи мають такі характерні риси:
успадкування атрибутами-слотами;
управління атрибутами-демонами;
Спадкування дозволяє уникнути дублювання інформації, атрибут-демон викликає функції та процедури кадру. Угруповання БЗ на кластери дозволяє:
здійснювати гнучкий логічний висновок шляхом активізації кластерів під час консультації;
тестувати базу знань за кластерами, тобто виконувати перевірку на несуперечність та повноту знань.
Під час консультації користувач, експерт можуть вибрати три різних її режими: з поясненням, без пояснення та тестування БЗ. У режимі пояснення система дозволяє:
поставити підціль консультації;
використовувати "дошку оголошень";
виконати зміну поточного стану БЗ;
здійснити перегляд дерева правил;
подати обґрунтування правил;
отримати протокол консультації із докладним поясненням.
Режим обґрунтування роботи машини виводу може вмикатися або вимикатися користувачем. З кожним правилом пов'язаний деякий текст природною мовою, що використовується при поясненні. Тут можна включати посилання спеціальну літературу. Текст залежить від професійної підготовки користувача.
Режим без пояснення дозволяє користувачеві лише послідовно відповідати на питання виводу машини. Цей режим доступний користувачеві після того, як експерт виконав тестування БЗ.
Режим тестування дозволяє виконати налагодження правил кожного кластера. При цьому відбувається аналіз кожного правила, перевірка на несуперечність та повноту знань кластера.
Кластери знань дозволяють поліпшити пояснення, полегшують отримання знань і підвищують надійність консультації.
БЗ системи постійно модифікується та поповнюється новими фактами та правилами. Подальше конструювання системи націлене на розробку пріоритетних профілактичних рекомендацій щодо зниження ризику ІХС у вигляді зворотного зв'язку з прогнозною оцінкою зниження ступеня ризику ІХС у разі виконання запропонованих профілактичних рекомендацій.
 
2.2. Модель бази знань для прогнозу розвитку ускладнень при інфаркті міокарда
Методи побудови математичних моделей часто ґрунтуються хоча і на неточній, але в цілому об'єктивній інформації про об'єкт. Проте можливі ситуації, коли за побудові моделей вирішальне значення мають відомості, отримані від експерта, зазвичай якісного характеру. Вони відображають змістовні особливості об'єкта, що вивчається, і формулюються природною мовою. Опис об'єкта у разі носить нечіткий характер.
Слід зазначити, що у разі коефіцієнт впевненості присвоюється як правилам, а й фактам.
Одна з проблем, що виникає під час створення ЕС, полягає в обліку неточності та ненадійності будь-якої інформації. Перші ЕС запровадили таке поняття як робастність системи, тобто можливість її зробити правдоподібний висновок із не повної, не точної інформації [4, 27].
Крім того, виникає завдання оцінки ступеня ненадійності логічних висновків та рекомендацій при неточності вихідної інформації та інформації, що надходить у результаті діалогу з користувачем.
Розглянемо один із способів міркування за наявності невизначеності, заснований на формулі Байєса з теорії ймовірностей.
Нехай є деяка гіпотеза Н і деяка апріорна ймовірність того, що гіпотеза Н є істинною. Ця ймовірність Р(Н) задається на самому початку (апріорна ймовірність).
Далі передбачається, що з'являється деяке свідоцтво Е, що стосується цієї гіпотези, тоді на основі цієї інформації можна уточнити апріорну ймовірність істинності гіпотези Н (апостеріорну ймовірність). Відповідно до формули Байєса маємо:
 
Р(Н | Е) = Р(Е | Н)Р(Н) / (Р(Е I Н)Р(Н) + Р(Е I ШН)Р(ШН)),
 
де Р(Н) - апріорна ймовірність Н за відсутності будь-яких свідоцтв; Р(Н | Е) - апостеріорна ймовірність Н за наявності свідоцтва Е; Р(ШН) = 1 - Р(Н) - ймовірність не настання події Н; Р(Н | Е) – умовна ймовірність.
За допомогою формули Байєса вдається накопичувати інформацію, що надходить із різних джерел, з метою підтвердження чи не підтвердження певної гіпотези.
 Виведення в ЕС, що використовує формулою Байєса, реалізується за допомогою наступного алгоритму:
1. Маємо апріорну ймовірність Р(Н), яка зберігається у БФ.
2. Вибираємо свідоцтво Е.
3. Обчислюємо Р(Н I E).
4. Заміщаємо Р(Н I E) на місце Р(Н).
Таким чином, отримання чергового свідоцтва призводить до нового оновлення (збільшення чи зменшення) ймовірності Р(Н). Щоразу поточне значення цієї ймовірності вважатиметься апріорним для застосування формули Байєса.
Постановка задачі. Розробити БЗ для прогнозу розвитку ускладнень при інфаркті міокарда.
Призначення прототипу ЕС – це допомога лікарям у прогнозуванні ускладнень при інфаркті міокарда.
Сфера застосування прототипу ЕС – це різні медичні підприємства, наприклад, лікарні швидкої допомоги.
Мета прототипу ЕС – моделювання прийняття рішення під час діагностики ускладнень при інфаркті міокарда.
Початкові дані: анамнез, медичні аналізи.
Очікувані результати (список можливих значень мети консультації): прогноз розвитку наступних ускладнень при інфаркті міокарда: фібриляції, гострої лівошлуночкової недостатності, хронічної серцевої недостатності, аритмії, тромбоемболії, розриву міокарда, повторного інфаркту.
Машина виведення висуває дві гіпотези [28]: ускладнене та гладке (без ускладнень) перебіг інфаркту міокарда у хворого. Апріорна ймовірність першої гіпотези дорівнює 0,645, а другий – 0,345 рис. 2.3.
 
2.3. Модель бази знань для діагностування загального захворювання
Модель БЗ для діагностування загального захворювання у пацієнта за його симптомами використовує Нейлорівський метод ухвалення рішення на основі ціни свідчення (симптому) пацієнта.
Постановка задачі. Розробити БЗ із загальних захворювань людини.
Призначення прототипу ЕС – це допомога лікарям діагностувати загальні захворювання за симптомами пацієнта.
Сфера застосування прототипу ЕС – це різні медичні підприємства: диспансери, поліклініки, медсанчастини.
Мета прототипу ЕС – моделювання прийняття рішення при діагностиці загального захворювання за симптомами пацієнта.
Початкові дані: анамнез, медичні аналізи.
Очікувані результати (список можливих значень мети консультації): близько 100 можливих діагнозів загального захворювання.
Для вибору свідоцтв із бази даних запропоновано процедуру непрямого ланцюжка міркувань на основі ціни свідоцтв. Ідея полягає в тому, що кожному свідоцтву приписується ціна, що відображає важливість свідоцтва у процесі виведення. Далі при побудові діалогу щоразу вибираються свідоцтва з найбільшими цінами. У процесі виведення вартість свідчень постійно перераховуються залежно від отриманих поточних результатів. Ціни свідчень дозволяють внести певну "інертність" у роботу ЕС, що сприятливо відбивається на психологічному стані користувача.
Розглянемо інше застосування формули Байєса запропоноване К. Нейлором [23] і реалізоване в системі "КАРКАС".
 
2.4. Модель бази знань для діагностики гострих та хронічних захворювань печінки
Модель БЗ для діагностики гострих та хронічних захворювань печінки використовує ієрархічну функціональну систему та дає можливість: розпізнати причину захворювання печінки та по можливості шляхом її усунення отримати терапевтичний ефект; цілеспрямовано включити медикаментози для лікування захворювань печінки; провести статистичну оцінку терапевтичних заходів у пацієнтів У предметній області виділено три кластери знань: клінічні дані; лабораторні дані; морфологічні дані, що дозволяють встановити докладний діагноз захворювання печінки. Перший кластер знань використовує дані анамнезу та скарги хворого з боку печінки, результати пальпації та перкусії печінки, а також огляду (зовнішнього вигляду) хворого. Другий кластер знань на основі лабораторно-хімічних змін функції печінки, ураження печінкової клітини, холестазу, активності мезенхіми та досліджень імунологічної реакції дає можливість визначити тип жовтяниці, а також характер захворювання печінки. Третій кластер дозволяє визначити свідчення для морфологічної діагностики. Наприклад, видається інформація про те, що треба проводити черезшкірну біопсію печінки чи не треба.
Репрезентанти правил із чотирьох кластерів:
Кластер 1. Анамнез.
Правило Г65. A&B&C&D&E&F#.
ЯКЩО
A Anti-HA = Так
B AgHBs = Ні
C Anti-HBc = Так
D Anti-HA/IgM = Ні
E Anti-HBc/IgM = Ні
F Anti-HBs = Так
ТО
Етіологія = Гепатит ні-А та ні-В к. у. п. = 1000.
Правило 10. A&B&C&D&E#.
ЯКЩО
A Сеча = Темна
B Стілець = Кольори глини
C Жовч = Світла
D Уробіліноген = Знижений
E Білірубін = Підвищений
ТО
Клініка = Підпечінкова (зелено-серожовта) к. у. п. = 1000.
Кластер 2 Лабораторно-хімічний аналіз.
ПравилоЛАБ3. (A&B)+C+(D&E)+(F&G)+(H&I)+J+(K+L)+(M&N)+(O+P)+(Q&R)+(S&T)#.
ЯКЩО
A Білірубін прямий = Злегка підвищений
B Білірубін прямий = Підвищений
C Білірубін непрямий = Hормальний
D Лужна фосфатаза = Підвищений
E Лужна фосфатаза = Сильно підвищений
F ЛАП = Підвищений
G ЛАП = Сильно підвищений
H ГГТ = Злегка підвищений
I ГГТ = Сильно підвищений
J ГлДГ = Злегка підвищений
K Залізо = У ноpмі
L Залізо = Злегка підвищений
M Мідь = Злегка підвищений
N Мідь = Підвищений
O ЛДГ = Норма
P ЛДГ = Злегка підвищений
Q ГПТ = Норма
R ГПТ = Злегка підвищений
S ГЩТ = Норма
T ГЩТ = Злегка підвищений
ТО
Лабораторія 1 = Жовтяниця підпечінкова к. у. п. = 1000.
Вид иерархической ФС для диагностики острых и хронических заболеваний печени представлен на рис. 3.9.
2.5. Модель бази знань для ранньої діагностики пухлин молочних залоз
 
Модель БЗ для ранньої діагностики пухлин молочних залоз ґрунтується на фільтрації бази знань. Діагностика спирається на знання експерта-онколога, які згруповані за такими розділами: термографія; анамнез; фізикальні дослідження; ехотомографія. Система дозволяє класифікувати наступні пухлини: ліпома, фіброаденома, фіброзно-кістозна мастопатія дифузна, фіброзно-кістозна мастопатія локалізована, ДФА (дифузний), ДФА (локалізований), мастит.
Вид ієрархічної ФС для ранньої діагностики пухлин молочних залоз представлено на рис. 3.10.
Репрезентанти правил із чотирьох кластерів:
Кластер 1. Термографія.
Правило 5. (A+B)&(C+D+E)&F&G&(H+I)&(J+K)&L&M&N&O&P&Q&R#.
ЯКЩО
A Осередок = Є з темп. град. до 1 грн.
B Осередок = Є з темп. град. від 1 грн. до 1,5 гр.
C Площа вогнища = Не перевищує площу 1 квадранта
D Площа вогнища = Більше одного, не менше 2-х квадрантів
E Площа вогнища = Перевищує площу 2-х квадрантів
F Контур = Чіткі
G Характер = Плямистий
H Параареолярний = Виражений
I Параареолярний = Слабо виражений
J Васкуляризація = Є явна впорядкована
K Васкуляризація = Слабо виражена
L Окаймляючий = Ні
M Парастернальний = Ні
N Симптом V = Ні
O Ознака Мойа = Ні
P Губна = Ні
Q Розігрів = Ні
R Заліза = Збережено
ТО
Термографія = ФКМП диф. к. в. п. = 6000.
Кластер 2. Анамнез.
Правило 11. A&B&C&D&E&(F+G+H+I)&(J+K)&(L+M)&(N+O)&P&Q&R&(S+T)&U&(V+W+X)#.
ЯКЩО
A Вік = 51 і більше років
B Мати = Рак молоч. залози, геніталій, прям. кишки
C Сестри = Рак молоч. залози, геніталій, прямий. кишки
D Бабуся = Рак молоч. залози, геніталій, прямий. кишки
E Діти = Дітей немає
F Захворювання = Гінекологічно - хвора
G Захворювання = Щитовидна залоза - хвора
H Захворювання = Печінка - хвора
I Захворювання = Інші органи - хворі
J Контрацепція = Перерваний акт
K Контрацепція = Інші способи
L Задоволеність = Фригідна
M Задоволеність = Ні
N Вага = Перевищує норму на 75%
O Вага = Ожиріння 2-3 ступеня
P Гормонотерапія = Отримувала
Q Інсоляція = Загоряє систематично та багато
R Опромінення = Підвищений (Чорнобіль, робота, тубер.лек.)
S Харчування = У їжі багато жирів живіт. походження
T Харчування = У їжі мало клітковини
U Травма = Були
V Доброякісний = Фібрознокістозна мастопатія - є
W Доброякісний = Дифузний фіброаденоматоз - є
X Доброякісний = Кісти, цистоаденопапіломи - є
ТО
Анамнез = Рака є к. у. п. = 1000.
Кластер 3. Фізикальні дослідження.
Правило 27а. (A+B+C)&(D+E)&(F+G)&H&(I+J+K)&(L+M)&(N+O)#.
ЯКЩО
A Чітка пухлинна = Діаметр від 1 до 2 см.
B Чітко пухлинний = Діаметр від 2 до 3 см.
C Чітка пухлинна = Діаметр більше 3 см.
D Консистенція = Еластична
E Консистенція = М'яко-еластична
F Асиметричність = Так
G Асиметричність = Ні
H Майданчик = Ні
I Виділення = Ні
J Виділення = Молозивні
K Виділення = Кров'янисті
L Збільшення = Ні
M Збільшення = Пахвових
N Шкіра = Ні
O Шкіра = Васкуліту алергічного
ТО
фізикал. дослідні. = Мастить к. у. п. = 11000.
Кластер 4. Ехотомографія.
Правило 28. (A+B+C)&D&E&F#.
ЯКЩО
A Локується = Ні
B Локується = З чіткими контурами
C Локується = З нечіткими контурами
D Характер образів. = Ні
E Упоряд. л/у = Не збільшено
F Печінка = Немає метастазів
ТО
Ехотомографія = Рака немає к. в. п. = 2000.
Зауваження 2.1. Створено моделі баз знань для діагностики різних форм панкреатиту та визначення типів гепатиту (А, В, С).
РОЗДІЛ 3. ФОРМУВАННЯ КОМПЕТЕНТНОСТЕЙ ТА ЇХ ОЦІНКА З ДОПОМОГЮ ІНТЕЛЕКТУАЛЬНИХ ТЕСТІВ
 
Оскільки інтелект визначає успішність будь-якої діяльності, то інтелектуальна компетентність є базовою та основною для всіх компетентностей.
Як оцінити інтелектуальні компетенції майбутнього фахівця, є однією з актуальних проблем у його підготовці. Для того щоб оцінити їх потрібні нові методи та послуги, засновані на принципах штучного інтелекту. Для визначення інтелектуальних компетенцій студентів використовується комп'ютерна система "КАРКАС", яка сприяє підвищенню якості професійної освіти та оцінювання компетентності студентів [4 – 17, 30].
 
3.1. Інтелектуальна компетентність
 
Стати компетентним фахівцем можна лише після набуття професійної діяльності: знань, практичного досвіду та мотивації до саморозвитку.
Сформулюємо правила бази знань для визначення інтелектуальної компетентності відповідно до цілей: пріоритетність, збагачення ментального досвіду та формування пізнавального стилю.
Ціль – пріоритетність.
Правило 1. Надання якісного контенту (лекції, лабораторні роботи, презентації тощо) як формування інтелектуальної компетентності студентів.
Правило 2. Використання цифрових технологій як інструменту формування інтелектуальної компетентності студентів.
Правило 3. Особистість викладача як організатор взаємодії між контентом та студентами.
Мета – збагачення ментального досвіду.
Правило 4. Механізми формування інтелектуальної компетентності фахівця мають індивідуальний характер, їх змістовне оформлення реалізується через предметні галузі знання.
Правило 5. Предметні галузі знань представлені як декларативними (поверхневими), а й процедурними (глибинними) знаннями.
Ціль – формування пізнавального стилю.
Правило 6. Контент бази знань складається як із базових компонентів онтології, так і з мотивацій студента приймати рішення своїх дій під час вирішення завдань.
Правило 7. Контент бази знань передбачає самооцінку навчання студента (оцінити свої сильні та слабкі інтелектуальні якості).
Виділені правила формування інтелектуальної компетентності майбутніх спеціалістів здійснюються за умов соціальних мережевих технологій.
 
3.2. Оцінка інтелектуальної компетенції
Система "КАРКАС" дозволяє ефективно:
створювати випробування;
проводити тестування як на окремому комп'ютері, так і по локальній мережі;
складати по кожному тестуванню детальний протокол та здійснювати аналіз результатів тестування;
формувати відомості результатів тестування, які можуть бути використані для зберігання інформації про атестацію, блоковий контроль, іспит;
працювати в інтеграції з пакетом Microsoft Office (Word, Excel, PowerPoint);
використовувати підказку та навчальні блоки для роботи з нею (презентації в стилі MS PowerPoint);
використовувати технологію Microsoft Agent та Microsoft Speech API для супроводу тестування та під час навчання контенту;
настроювати індивідуальні стратегії для тестування:
вибір тем;
формування тестів на теми;
використання датчика випадкових чисел для тестів;
використання коефіцієнтів важливості питань;
адаптація тесту за рівнем знань під час тестування (як у бік підвищення значимості питань, так і на протилежну),
наочна графічна інтерпретація тестування:
діаграми поточної оцінки;
діаграми розподілу вірних та невірних відповідей;
діаграми статистики відповідей, модифіковані особи Чернова для оцінки результатів тестування,
для оцінки тесту формувати ряд показників: оцінка щодо вірних відповідей, похибка відповіді, загальна оцінка, експертна оцінка та заключна оцінка,
формувати тести динамічно відповідно до стратегій викладача та правил бази знань (БЗ).
Загальна структура комп'ютерної технології навчання та тестування в системі "КАРКАС" ґрунтується на деталізації та активізації знань.
Візуальний редактор БЗ (режим експертної навчальної системи)
– це модуль, що надає когнітологу можливість створювати БЗ в інтерактивному режимі. Редактор включає шаблони мови представлення знань (продукції, фрейми), підказки та інші сервісні засоби, що полегшують роботу з базою.
Агент редактора БЗ контролює не лише семантику або зміст правил і даних при їх введенні, а й перевіряє, чи вони не суперечать існуючим правилам БЗ. Якщо виявляється суперечність, агент допомагає користувачеві вирішити конфлікт, пояснюючи причини протиріч і описуючи способи їх усунення.
Тестовим завданням по можливості надано такий характер, за якого студенту доводиться активно мислити та приймати усвідомлені рішення. Нижче на скріншотах системи "КАРКАС" наводяться обрані тестові завдання для якісного оцінювання інтелектуального рівня знань студента, його навичок та ступеня зрілості професійного мислення з предметної галузі "Інформатика".
Питання має таку структуру:
- Назва питання починається з ключового слова (Питання), а далі може бути довільний текст.
- Текст питання набирається за бажанням користувача або копіюються з буфера обміну.
- Відповіді набирається у вікні, розташованому нижче вікна відповіді.
В одному рядку відповіді може бути до 255 символів. Кількість відповідей одне питання може бути до 99.
Текст відповіді набирається у першому стовпці.
Кожна відповідь забезпечується коефіцієнтами впевненості:
Cf1 – призначений для ідентифікації відповіді (правильна відповідь зазначається, неправильна відповідь відзначається 0);
Cf2 – призначений для ідентифікації складності відповіді (значення Cf2 > 0 означає збільшення складності відповіді за її істинності, а Cf2 < 0 означає зменшення складності відповіді за її хибності).
Коефіцієнти впливають оцінки по тесту (рис.3.1).
3.3. Медичні експертно-навчальні системи
Нижче представлені короткі характеристики медичних ЕОС, розроблених за допомогою системи "КАРКАС".
ЕОС "ПЕДІАТР" призначена для тестування професійних знань лікаря педіатра та визначення його кваліфікаційного ступеня. Експертна оцінка знань лікаря здійснюється за такими напрямками:
- гастроентерологія;
- гематологія;
- пульмонологія;
- кардіоревматологія;
- нефрологія;
- неонатологія;
- фізіопатологія немовлят.
Для оцінки знань використовується дванадцятибальна шкала.
Система дозволяє визначити кваліфікаційний ступінь лікаря за наступною шкалою: лікар-інтерн, лікар-стажер, лікар-фахівець (ІІ категорії), провідний лікар (І категорії), лікар вищої кваліфікації (вища категорія). Кваліфікаційний ступінь формується на основі наступних факторів:
- Оцінка кваліметрії знань;
- Ділова характеристика лікаря;
- результативність роботи лікаря;
- стаж роботи.
Час одного сеансу консультації складає 90 хвилин (час для відповіді на запитання – 45 секунд).
Вид ієрархічної ФС визначення кваліфікаційної щаблі лікаря педіатра представлений на рис. 3.29.
ЕОС "ЛІКАР" призначена для тестування професійних знань лікаря та визначення його кваліфікаційного ступеня. Експертна оцінка знань лікаря здійснюється за такими напрямками:
- Організація профілактичної роботи дільничного лікаря;
- Експертиза тимчасової непрацездатності;
- неонатологія;
- вигодовування та дистрофія;
- ураження нервової системи у дітей раннього віку;
- синдром блювоти та втрати солей новонародженого;
- основи медичної генетики;
- пульмонологія;
- кардіологія та ревматичні хвороби;
- електрокардіографія;
- гастроентерологія;
- нефрологія;
- інтенсивна терапія;
- фармакотерапія у педіатрії;
- кишкові інфекції;
- цукровий діабет;
- гематологія;
- диспансеризація хворих дітей.
Для оцінки знань використовується дванадцятибальна шкала.
Система дозволяє визначити кваліфікаційний ступінь лікаря за наступною шкалою: лікар-інтерн, лікар-стажер, лікар-фахівець (ІІ категорії), провідний лікар (І категорії), лікар вищої кваліфікації (вища категорія). Кваліфікаційний ступінь формується на основі наступних факторів:
- Оцінка кваліметрії знань;
- Ділова характеристика лікаря;
- результативність роботи лікаря;
- стаж роботи.
ЕОС "ХІРУРГ" призначена для оцінки знань студентів, лікарів хірургів та їх навчання з наступних хірургічних хвороб:
- доброякісні та злоякісні захворювання щитовидної залози;
- доброякісні та злоякісні захворювання молочної залози;
- захворювання легень, плеври та середостіння;
- захворювання аорти та периферичних артерій;
- Захворювання магістральних вен. Система верхньої та нижньої порожнистих вен;
- зовнішні грижі та їх ускладнення (грижі діафрагмальні та стравохідного отвору);
- захворювання стравоходу (пошкодження, хімічні опіки, рубцеві звуження, дивертикули);
- виразкова хвороба шлунка та дванадцятипалої кишки;
- передракові захворювання та рак шлунка;
- гострий апендицит та його ускладнення;
- кишкова непрохідність;
- захворювання ободової та прямої кишок;
- захворювання жовчного міхура та позапечінкових проток;
- гострий панкреатит та його ускладнення;
- Перітоніти.
Для оцінки знань використовується десятибальна шкала. Система має два режими: навчання та контроль. У режимі навчання користувачеві пропонується можливість користуватися підказкою системи для вибору правильних відповідей на запитання.
Система пропонує такі рівні навчання:
- Ознайомлення з предметною областю;
- Контроль з вибірковим навчанням;
- частково-контрольованою відповіддю;
- З вільно конструйованою відповіддю;
- Вирішення класифікаційних завдань;
- Вирішення завдань на логічний зв'язок;
- Вирішення ситуаційних завдань.
Вид ієрархічної ФС для визначення для тестування професійних знань лікаря хірурга та визначення його кваліфікаційного ступеня представлено на рис. 3.30.
ЕОС "ТЕРАПЕВТ" призначена для тестування професійних знань лікаря терапевта та визначення його кваліфікаційного ступеня. Експертна оцінка знань лікаря здійснюється за такими напрямками:
- Ревматичні хвороби;
- ендокринні захворювання;
- хвороби нирок;
- хвороби органів кровотворення;
- хвороби серцево-судинної системи;
- теоретичні засади внутрішньої патології;
- хвороби органів травлення;
- Окремі питання суміжної патології;
- Інтенсивна терапія та реанімація в клініці внутрішніх хвороб;
- загальні принципи та методи лікування терапевтичних хворих;
- хвороби органів дихання;
- організація експертизи працездатності у лікувально-профілактичних установах;
- загальні методи обстеження терапевтичних хворих;
- основи соціальної гігієни та організації терапевтичної допомоги.
Для оцінки знань використовується дванадцятибальна шкала.
Система дозволяє визначити кваліфікаційний ступінь лікаря за наступною шкалою: лікар-інтерн, лікар-стажер, лікар-фахівець (ІІ категорії), провідний лікар (І категорії), лікар вищої кваліфікації (вища категорія). Кваліфікаційний ступінь формується на основі наступних факторів:
- Оцінка кваліметрії знань;
- Ділова характеристика лікаря;
- результативність роботи лікаря;
- стаж роботи.
 
3.4. Про один алгоритм навчання медичним знанням
 
Розглянемо алгоритм навчання [10], який показав себе дуже ефективним та надійним щодо студентів основ патологічної фізіології:
патологічна фізіологія кровообігу;
патологічна фізіологія червоної крові;
патологічна фізіологія білої крові
Тому що:
по-перше – система дозволяє студентам згадати вихідний рівень знань з курсу нормальної фізіології;
по-друге – вона допомагає вирішувати і складніші завдання;
по-третє – система дозволяє працювати також і в режимі самоконтролю того, хто навчається для виявлення прогалин знань основ патологічної фізіології;
Загальна структура комп'ютерної технології навчання ґрунтується на методі поетапної деталізації та активізації знань.
Перший етап. Створюється текст природною мовою, в якій викладається навчальний матеріал. Цей текст може містити малюнки, таблиці, графіки, формули тощо.
Другий етап. Складається у структуризації та класифікації текстів з метою створення списків питань для учня. Інформація заноситься за допомогою інструментарію системи (редактор для запитань та відповідей) до бази даних (БД). Критерії класифікації може бути як змістовними (за структурою навчального матеріалу), і формальними (за типом навчальних матеріалів: текст, малюнок, таблиця тощо.).
Третій етап. Формується БЗ навчального призначення. Спочатку виділяються об'єкти предметної області та його атрибути, потім встановлюються відносини між об'єктами, в такий спосіб, формуються кластери знань. У цьому залучається інформація, що у БД: з одного боку, встановлена ​​раніше класифікація використовується виділення об'єктів та його атрибутів; з іншого боку, елементи БД використовуються як атрибути об'єктів БЗ. Інструментальні засоби, що підтримують цей процес (редактор правил та кадрів), дозволяють створювати та оновлювати БЗ навчального процесу.
Четвертий етап. На цьому етапі відбувається об'єднання різних кластерів знань для створення єдиної стратегії навчання та контролю (використовується дошка оголошень). Формується ієрархія правил і кадрів до роботи машини вывода.
Розглянемо докладніше організацію комп'ютерної технології навчання з прикладу вивчення студентами основ знань з курсу нормальної фізіології. У предметній області було виділено шість рівнів навчання, які були розташовані з підвищенням складності запропонованого навчального матеріалу. Кожен рівень мав свій коефіцієнт значущості, позначимо через g. Якщо була необхідність, то рівень міг бути розбитий на кілька кластерів, які мали певні цілі навчання. Було запропоновано чотири типи оцінок контролю знань.
 
Перший рівень навчання. На першому рівні навчання застосовується модуль ілюстративно-пояснювального типу для знайомства учня з ПЗ, робота якого полягає в наступному. Система видає на екран дисплея послідовність питань, відповіді яких містять правильну інформацію.
Експерт має можливість не тільки здійснювати показ інформації окремо з червоної та білої крові, але може й перемішувати питання, що стосуються червоної та білої крові.
Коефіцієнт значимості рівня дорівнює 0 (g = 0).
Другий рівень навчання (контроль із вибірковим навчанням). Система відповідно до правил, складених експертом, ставить питання і кілька відповідей на нього, одна з яких правильна. Наприклад, система ставить питання.
Чи пригнічується дозрівання еритроцитів при дефіциті еритропоетину?
Третій рівень навчання (з частково контрольованою відповіддю). На цьому рівні навчання учню пред'являється кілька елементів, з частини яких може бути складена правильна відповідь. Інший варіант навчання полягає в тому, що студент повинен вибрати зі списку відповідей кілька правильних відповідей. Розглянемо цей рівень з прикладу кластера кровообігу.
Система ставить питання:
За яких патологічних процесів підвищується внутрішньочерепний тиск?
Відповіді:
1. Колапс.
2. Грип.
3. Енцефаліт.
4. Менінгіт.
5. Міозит.
6.Черепномозкова травма.
7.Струс головного мозку.
8. Перікардит.
9. Набряк головного мозку.
Можна переконатися, що з представлених фрагментів легко сконструювати відповідь різні діагнози. Тут правильна відповідь складається із наступних елементів: номери відповідей 3, 4, 6, 7, 8, 9.
Четвертий рівень навчання. Цей рівень призначений на вирішення завдань класифікації. У питаннях, що задаються учню, формулюється дві альтернативи, і йому пропонується список відповідей, з яких потрібно вибрати правильні відповіді, що стосуються першої альтернативи та другої. Але можуть бути випадки, коли вірні відповіді належать до двох альтернатив одночасно. Наприклад, як у наступному питанні для кластера червоної крові.
Перерахуйте патологічні форми еритроцитів, характерних для:
Друга альтернатива.
Перніціозна анемія Залізодифіцитна анемія
Можливі відповіді:
1. Мегалоцити.
2. Анулоцити.
3. Гіпохромні еритроцити.
4. Гіперхромні еритроцити.
5. Мікроцити.
6. Макроцити.
7. Мегалобласти.
8. Мієлоцити.
9. Мієлобласти.
10. Анізоцити.
Для першої альтернативи вірні відповіді 1, 4, 6, 7, 10, а для другої альтернативи вірні відповіді 2, 3, 5, 10. Як видно з прикладу, десята відповідь відноситься як до першої альтернативи, так і до другої.
Усі оцінки обчислюються окремо для першої альтернативи (завдання А) та для другої альтернативи (завдання Б).
Коефіцієнт значимості рівня дорівнює 0.7 (g = 0.7).
П'ятий рівень навчання (з вільно конструйованою відповіддю). У цьому випадку після завдання питання системою та відповіді учня (шляхом введення його з екрану) система перевіряє шляхом порівняння відповіді з еталоном правильних та типово неправильних відповідей, кількість яких може бути довільною.
Перерахуйте причини виникнення антиеритроцитарних антитіл.
Навчальний вводить причини.
Словник для цього питання містить такі відповіді:
1. Резуснесумісна кров.
2. Гостра кровотеча.
3. Хронічне кровотеча.
4. Аутоімунні хвороби.
5. Недостатність заліза.
6. Переливання несумісної крові.
З цих питань правильними є 1, 4 і 6. Якщо перша спроба набору інформації виявилася невдалою, то учню пропонується частина відповідей зі словника, але які відображаються лише на дві перші літери. Інші літери учнів повинен сам довести з екрана. Нарешті, якщо ця спроба також невдала, студенту пропонується повністю список відповідей. Кожна спроба знижує на бал оцінку. Після третьої спроби відбувається перехід до наступного питання.
Коефіцієнт значимості рівня дорівнює 0.8 (g = 0.8).
Шостий рівень навчання (вирішення ситуаційних завдань). Тут учню пропонується ситуація, опис дії ліків, анамнез хворого, розрахунок лабораторних аналізів та список можливих реакцій на цю ситуацію. Він має можливість скласти набір відповідей та віддати його системі на обробку. Експерт моделює правильну реакцію ситуацію. Система порівнює запропонований набір відповідей, і якщо реакція позитивна, то учню задається серія питань для уточнення правильності обраних відповідей.
Наприклад, ситуаційне завдання для червоної крові.
Завдання 6. Хворий віком 37 років був госпіталізований з такими скаргами: загальна апатія, біль у животі, пронос. Об'єктивно: шкірні покриви яскраво-червоного кольору з тріщинами.
Аналіз крові.
Ер 3.1х1012/л. Лейкоцитарна формула Лейкоцити – 14.5х109/л.
Hb - 95 г/л Б Е Ю П С Л М Pт
Tp - 280.000 2% 14% 1% 4% 47% 27% 5% 1%
У мазку крові: поодинокі гіперхромні еритроцити.
Запитання. Для якої патології крові характерні такі скарги та такі кількісні та якісні зміни периферичної крові?
 
Висновок
Розглянуто математичну модель динамічної предметної області у вигляді ієрархічної функціональної системи, в якій база знань асоціюється з ланцюжком розшарування баз знань, тобто є переріз ланцюжка розшарування баз знань.
Проаналізовано різноманітні методи побудови моделей баз знань у медицині. Найбільшого поширення та ефективність набула модель, яка використовує ієрархічну функціональну систему. Реалізація розшарування бази знань у ланцюжок розшарування дозволяє ефективно виконати ряд операцій:
1. Тестування бази знань кожному рівні ієрархічної ФС (пошук несуперечності знань і вивчення повноту бази знань). Клонування правил основи знань.
2. Виконати наочне уявлення руху перерізів ланцюжка розшарування бази знань при еволюційному переміщенні базового класу в основі розшарування. База розшарування – це звані повільні змінні, що описують еволюцію головної мети. Шари ланцюжка розшарування - це швидкі змінні, що описують стан об'єктів, подцелей в дискретні моменти часу при еволюції головної мети.
3. Виробляти вертикальне обурення у шарах ланцюжка розшарування для пошуку прихованих знань. Інакше кажучи, в ієрархічної ФС відбувається обурення не всієї бази знань, лише її баз знань у верствах. Отже, основна мета ієрархічної ФС піддається обуренням довкілля, а еволюціонує у часі задля досягнення головного результату.
Програма подальших досліджень буде включати розробку алгоритмів супроводу функціонування ієрархічної функціональної системи за допомогою програмних агентів.
 
Запропонована концепція реалізації ієрархічної функціональної системи показала свою ефективність при розробці онтологій у різних інформаційних динамічних предметних галузях: медицина, економіка, мобільний зв'язок та кластерний аналіз багатовимірних даних.