Інформаційні системи у фармації

Інформаційні системи у фармації.

Принципово нові досягнення в технології обробки інформації, прикладній математиці і кібернетиці пов’язані з створенням особливих людино-машинних систем, що призначаються для накопичення й обробки в комп’ютері знань, необхідних для вирішення складних практичних задач. Подібні системи одержали назву систем знань (knowledge based system), а дисципліна, що займається дослідженням, розробкою і застосуванням таких систем, стала називатися інженерією знань.

Системи знань надають можливості вирішувати важливі задачі в різних областях науки і техніки, вирішення яких раніше було доступно тільки людині з великим досвідом і інтуїцією. Це стало можливим завдяки успіхам у розвитку досліджень із штучного інтелекту. До найбільш важливих практичних результатів цих досліджень, що серйозно вплинули на розвиток прикладних систем знань, можна віднести розробку методів представлення знань і логічного виводу (прийняття рішень), а також дослідження в області БД. У цілому системи знань являють собою новий якісний етап в еволюції систем обробки інформації.

Знання відображають нашу уяву про предметну область (ПрО) і виражають систему понять, відносин і залежностей між поняттями. Прикладами понять можуть служити електричний провідник, число; прикладами відносин між поняттями провідник і число є опір, сила струму і напруга; приклад залежності – закон Ома.

Якщо необхідно передати комп’ютеру деяку суму знань, то представляються насамперед об’єкти, далі співвідношення, що встановлюють необхідні зв’язки між об’єктами, і процеси, що визначають створення, руйнування, трансформацію й інші види поведінки об’єктів. Знання складаються з даних про об’єкти, відносини й процеси. Об’єкти можна представляти структурами символьних даних; відносини – списками властивостей; процеси втілюються комп’ютерними програмами.

Знання можна поділити на процедурні і декларативні.

Процедурні знання – це знання, що відносяться до процедур обробки інформації, методів логічного виводу. Ці знання задаються послідовністю дій, що повинні бути зроблені, і послідовністю цілей, що повинні бути досягнуті.

Декларативні знання надходять у систему від експертів ПрО і включають факти або аксіоми і правила, що відносяться до цих фактів. Для декларативних форм характерна організація бази знань, при якій у ній зберігаються тільки описи об’єктів і їхніх семантичних відносин і відсутня інформація про те, як можуть бути використані дані описи. Процедурна форма заснована на описі знань про ПрО за допомогою процедур на будь-якій мові (наприклад, ЛІСП).

Переваги й недоліки мають як процедурні, так і декларативні способи подання знань. Найкращий підхід полягає в розгляді задач відразу з двох позицій, оскільки він використовує переваги обох цих способів.

Перш ніж приступити до розробки комп’ютеризованої системи знань необхідно відповісти на питання: чи можуть комп’ютери приймати ті ж рішення, що і досвідчений лікар, використовуючи такі ж дані й знання і логічні процедури їх обробки. Іншими словами, якщо люди можуть використовувати наукові знання й клінічний досвід для отримання певного висновку, то як ми можемо навчити комп’ютери використовувати ці ж знання для отримання аналогічного висновку? Щоб відповісти на це питання ми спочатку повинні з’ясувати чим відрізняється структура знань у людському мозку від структури знань в комп’ютері. Як повинні бути структуровані знання чи дані у комп’ютері, щоб їх можна було використовувати для прийняття рішень, подібних до тих, що приймаються лікарем при постановці діагнозу чи призначенні лікування? Нажаль, ключовою проблемою тут є те, що ми не знаємо, як людина зберігає і використовує знання: ми не знаємо яку «модель» використовує людський мозок для вирішення проблеми.

Особливу роль у теорії баз даних займають такі поняття, як модель даних і її схема. Схема моделі даних є семантичною моделлю подання знань про дані.

Розвиток банків даних (БнД) йде по шляху удосконалювання процедур пошуку інформації і відображення її в складних структурах. На відміну від БнД інформація, що зберігається в моделі знань, зв’язується внутрішньо (структурується) не за рахунок табличних форм і документів, а за допомогою відносин між фактами, що спостерігаються на об’єкті управління. У моделях знань відносини володіють визначеною, фіксованою поза системою семантикою і самі по собі є такими ж даними, як і вихідні.

Простеживши еволюцію даних, можна відзначити ряд особливостей, що відрізняють дані від знань. По-перше, відсутність орієнтації даних на деяку конкретну програму і наявність спеціальних метапроцедур, необхідність у яких породжена самими знаннями. По-друге, можливість внутрішньої інтерпретації. Для цього даним необхідно надавати атрибути, у наслідок чого вони стануть мати визначену семантику. Наступним кроком на шляху до знань є введення відносин над такими одиницями інформації, як родо-видові, часові тощо. По-третє, допущення рекурсивних зв’язків одних інформаційних одиниць з іншими. У цілому розходження між даними і знаннями не мають чітких границь.

Таким чином можна відзначити принаймні три особливості знань, що відрізняють їх від даних:

·       Знання відрізняються від даних насамперед здатністю до інтерпретації;

·       Наявністю зв’язків, що розрізняють знання: елемент-клас, клас-підклас, тип-підтип, ситуація-підситуація;

·       Наявністю ситуативних відносин, що визначає ситуативну сумісність знань.

Аналізуючи наведені поняття, можна стверджувати, що питання природи знань, їхньої класифікації і способи систематизації багато в чому носять дискусійний характер. Розвиток обчислювальної техніки відкриває нові можливості обробки знань. Однак для цього необхідно виділити і представити знання у формах, у яких вони використовуються на комп’ютері.

Система знань характеризується наявністю знань і засобів виводу нового знання, що в стислому виді може бути подано формулою: «знання + механізм виводу = система знань». Подібні системи здатні як пояснити лінію міркувань, так і придбати й накопичити знання. Відповідно до цього можна виділити наступні основні елементи системи знань: модуль придбання знання, база знань, механізм виводу та пояснювальний інтерфейс.

Ядро систем знань складають база знань (БЗ) і механізм виводу, з якими зв’язані поняття «методи подання проблемного знання», «процес одержання нового знання за допомогою правдоподібних міркувань». Саме вибір методів подання й одержання знань визначає архітектуру системи знань і на практиці приймає вираз відповідної організації БЗ і схеми керування механізмом виводу.

Експертні системи в медицині

Серед систем знань найбільш бурхливо останнім часом розвивалися медичні експертні системи (ЕС).

Комп’ютерні програми, як правило, пристосовані для розв’язання точно визначеного кола задач. Розширити чи якось змінити це коло можна тільки внесенням у програму відповідних інструкцій програміста. Але таке удосконалення потребує багато часу, завжди існує ймовірність додаткових помилок. Розвиток технологій штучного інтелекту (програмних засобів, які можуть у певних межах імітувати на комп’ютері деякі риси мислення людини) зумовив появу нового класу програмних засобів, здатних до самонавчання та накопичення нової, корисної інформації. Саме до цього класу належать системи, що основані на використанні знань – knowledge-based system (інтелектуальні системи, системи знань). У більш старій літературі використовується термін експертна система, тому що такі системи використовували знання, отримані від експертів, і могли вирішувати проблеми способом, що до деякої міри має подібність до міркувань експерта. Особливістю такої системи є поділ на базу даних, що містить історії хвороб, базу знань про предметну область, і на механізм логічного висновку. У загальному випадку, інтелектуальна система, припускає, що мається програма одержання знань, що буде використовуватися для побудови і підтримки бази знань. Така система може також містити модуль пояснення, що допомагає пояснювати її рекомендації користувачам. Експертні системи широко застосовуються в медицині для підтримки прийняття рішень при розв’язанні різноманітних проблем діагностики, прогнозування, лікування, управління, навчання тощо.

Штучний інтелект.

На перший погляд, штучний інтелект(ШІ) – це щось з області наукової фантастики. Насправді ж він проник у всі напрямки комп’ютерних технологій. Він робить професійні можливості людини практично безмежними вже сьогодні.

Штучний інтелект – це програма, що моделює на комп’ютері процес мислення людини. Для створення такої системи необхідно насамперед вивчити процес мислення людини, що розв’язує задачі чи приймає рішення в якій–небудь області людської діяльності, розбити цей процес на етапи і розробити програми, що відтворюють ці етапи на комп’ютері.

Найголовніше – закласти в ці програми здатність до самонавчання і накопичення нової, корисної в подальшому інформації. Зміна будь-якої частини інформації не повинна міняти структуру всієї програми. Адже й людина накопичує знання, не змінюючи спосіб мислення і не забуваючи вже відомих фактів (більшої їх частини).

Звичайно, вченим не до кінця відомо як працює людський мозок. З’ясовані лише деякі механізми, які і намагаються змоделювати в системах штучного інтелекту. Термін «інтелект» походить від латинського intellects, що означає розум, здібності людини до мислення. Тому штучний інтелект (artificial intelligence) можна розглядати як властивість автоматичних систем брати на себе окремі функції інтелекту людини, наприклад, вибирати і приймати оптимальні рішення на основі раніше отриманого досвіду і раціонального аналізу зовнішніх дій.

В основі людської діяльності лежить мислення. Дзвонить дзвінок на урок, і ви прямуєте до аудиторії. Ця, здавалося б, автоматична реакція – результат вирішення задачі, яку ставить перед мозком зовнішній сигнал – дзвінок. Звучить запитання викладача і ви піднімаєте руку, якщо хочете, щоб вас запитали або, наприклад, опускаєте голову, якщо цього не хочете. Результат, до якого ви прагнете, – це мета, на досягнення якої направлені мисленеві процеси вашого мозку.

Наша повсякденна діяльність – послідовність таких цілей. Кожен крок на шляху до головної мети – складова послідовності. Мозок завжди зосереджений на меті (цілях), і неважливо, фізичну чи інтелектуальну роботу він виконує.

Людський мозок – місце збереження величезної кількості знань. Людина постійно здобуває нові знання і застосовує їх до виникаючих ситуацій. Знання можна представити у вигляді сукупності фактів і правил їх використання. Правила виражаються формулою:

ЯКЩО . . ., ТО . . .

Тобто, ЯКЩО виконується умова, ТО слідує виконання визначеної дії.

Яким же чином людський мозок з великої кількості різноманітних фактів і правил відбирає ті, що мають відношення до конкретної ситуації? В мозку існує складна схема відбору, яка називається механізмом спрощення. Досягаючи мети, людина не лише розв’язує поставлену перед ним задачу, вона отримує нові факти, формує нові правила. Механізм формування нових фактів і правил – механізм виводу, дозволяє людині вчитися на досвіді, допомагає також виявляти помилки в міркуваннях і удосконалювати правила, що використовуються для досягнення цілей.

Створити штучний інтелект означає створити програму, що включає всі етапи процесу прийняття рішення людиною: цілі, факти, правила, механізм спрощення і механізм виводу, який завершує процес мислення.

Оскільки основні процеси мислення людини залишаються такими ж при розв’язанні різноманітних задач, то одну базову систему штучного інтелекту можна використовувати для розв’язання великої кількості задач.

Конкретні сфери людської діяльності, в яких можуть використовуватися системи штучного інтелекту, називаються предметними областями. Прикладами предметних областей можуть бути: управління економікою, розробка стратегій і тактики у воєнній науці тощо. Потрібно лише врахувати, що для розв’язання всіх можливих задач потрібна велика кількість фактів і правил. Чим вужча предметна область, тим простіше наповнити її знаннями.

Джерелом знань для наповнення експертних систем слугують експерти у відповідній предметній області. При створенні експертної системи група, що складається з експерта та інженера по знаннях, збирає факти, правила і евристичні правила (тобто такі правила, які формуються на основі практичних знань експертів), а потім включає їх у систему штучного інтелекту. Інженер по знаннях – нова професія, яку і породив стрімкий розвиток баз знань. Інженер по знаннях – це спеціаліст високого класу, який володіє системним програмуванням і методами штучного інтелекту. В епоху інформаційних технологій ця професія стає дуже важливою і необхідною.

Сучасні інтелектуальні інформаційні технології – це технології опрацювання інформації і розв’язання задач за допомогою обчислювальних машин, що спираються на досягнення в області штучного інтелекту.

Системи штучного інтелекту складаються із трьох основних блоків: бази знань, розв’язувача та інтелектуального інтерфейсу. Типовим представником систем штучного інтелекту є експертні системи.

Системи штучного інтелекту орієнтовані на розв’язання важливого класу задач, що називаються неформалізованими, наприклад, при аналізі даних і знань, що динамічно змінюються. В дослідженнях штучного інтелекту можна виділити два основних напрямки:

·       Програмно-прагматичний. До нього відносяться роботи по створенню програм для розв’язання логічних задач, розпізнавання образів, класифікації даних, отриманих в результаті досліджень тощо.

·       Біонічний. Займається розробкою систем, які розв’язують задачі за аналогією розв’язання задач людським мозком. В рамках біонічного підходу до проблем штучного інтелекту сформувалась нова наука – нейроінформатика.

В даний час будь-яку велику систему, що використовує БЗ, називають експертною системою часто з комерційних розумінь, хоча багато таких систем слід більш точно назвати системами знань. У наш час між термінами експертні системи і системи знань немає чіткої межи. Може згодом установиться більш чітка класифікація систем знань і обмежень у вживанні назви «експертні системи». Наприклад, відзначається, що для систем знань не обов’язково джерелом знань є експерт, а для EC це істотно.

Термін «експертна система» природно асоціюється з терміном експерт. Так прийнято називати висококваліфікованого, авторитетного фахівця в якій-небудь області діяльності, що вирішує задачі, використовуючи свій досвід і знання.

Можна виділити наступні задачі, що розв’язуються експертами:

·       діагностика – визначення причин захворювання або несправності технічної системи і вироблення рекомендації з їхнього усунення;

·       класифікація – побудова ієрархії, концепцій або об’єктів; визначення місця заданого об’єкта або концепції в цій ієрархії;

·       прогнозування – пророкування поводження організму, технічної або будь-якої іншої системи на основі даних про її поточний стан;

·       планування – побудова плану (програми) дій за рішенням якої-небудь задачі;

·       керування – контроль стану складної системи і прийняття оперативних вирішень по його зміні.

Визначень експертних систем майже стільки ж, скільки авторів книг і розробок по цій темі. Наведемо найбільш відомі:

Експертна система – це інтелектуальна програма для комп’ютера, що використовує знання і процедури виводу для вирішення задач, що є досить важкими і вимагають залучення експертів. Необхідні для цього знання і процедура виводу можуть розглядатися як модель проведення експертизи найкращим з експертів у своїй області.

Експертними називають системи, що, відтворюючи роботу експерта шляхом моделювання процесу одержання висновків з наявної інформації за допомогою правил логічного виводу, моделюють поводження експерта в межах спеціальної області знань.

Експертні системи – це такі системи знань, що, використовуючи механізм виводу, застосовують знання для вирішення певної задачі.

Відзначимо два головних моменти, властиві всім авторським визначенням поняття ЕС. Насамперед ця вказівка на те, що EC – це готовий програмний продукт, що використовується для вирішення задач. По-друге – наявність опису області застосування EC або характеристики класу розв’язуваних задач.

Таким чином можна сказати, що експертні системи – це різновид комп’ютерних систем, що моделюють деяким чином процеси мислення людини; використовують подані відповідним чином знання, зокрема медичні; вони призначені для одержання логічних виводів і висновків на заданій вихідній множині знань з поясненнями в зрозумілій формі.

На відміну від розглянутих вище діагностичних систем, медичні експертні системи деякою мірою моделюють процеси мислення лікаря. Природно, що медицина, як галузь діяльності, є ідеальним середовищем для створення і застосування експертних систем.

У подальшому експертними системами будемо вважати системи, які:

·       переробляють велику кількість знань;

·       подають знання в простій уніфікованій формі;

·       мають незалежний механізм логічних висновків;

·       можуть пояснити результати, отримані в процесі оброблення знань.

Експертні системи в медицині повинні задовольняти таким вимогам:

·              моделювати поведінку грамотного лікаря при розв’язанні діагностичної задачі, моделювати методи пошуку розв’язків;

·  представляти здобуті розв’язки в такому вигляді, щоб вони були зрозумілі і лікарю і хворому;

·              швидко й порівняно просто адаптуватися до змін сукупності медичних знань, модифікуватися при появі нових або при уточненні старих.

·       Існує багато видів експертних систем, серед яких можна виділити наступні:

·       експертні системи інтерпретації даних, що визначають зміст даних, зокрема даних медичних спостережень та дослідів;

·       експертні системи діагностики, під час якої визначається характер відхилення стану об’єкта від норми і на цій основі його зараховують до відповідної категорії.;

·       експертні системи моніторингу, орієнтовані на неперервну інтерпретацію даних у реальному часі та сигналізацію про вихід тих чи інших параметрів за допустимі межі, зокрема, експертні системи медичного моніторингу в палатах реанімації;

·       експертні системи прогнозування логічно роблять імовірнісні висновки про майбутній перебіг подій із ситуацій, що склалися, з урахуванням усіх обставин. В медицині з їхньою допомогою прогнозують перебіг хвороби при різних схемах лікування, визначаючи найкращу для конкретного хворого;

·       експертні системи навчання визначають похибки при вивченні якоїсь дисципліни, збираючи при цьому та аналізуючи дані про «слабкі місця», а потім дають необхідні пояснення та рекомендації, що визначають, які вправи потрібні для поліпшення підготовки майбутнього лікаря;

·       експертні системи планування визначають оптимальні плани дій об’єктів, здатних виконувати деякі функції;

·       експертні системи проектування готують документацію на створення об’єктів із заздалегідь визначеними властивостями, що містять навіть готові креслення та відповідний опис.

·       За ступенем інтеграції експертні системи розрізнюють таким чином:

·       автономні експертні системи, що працюють безпосередньо у режимі консультацій з користувачем без застосування якихось традиційних методів обробки даних (розрахунки, моделювання та ін.);

·       гібридні експертні системи, що містять стандартні пакети прикладних програм обробки, СУБД, електронні таблиці та засоби управління ними.

·       Зрозуміло, що гібридні експертні системи значно складніші, але їх можливості виправдовують витрати на їх розробку та обслуговування.

·       Відповідно до форми процесу вирішення задачі і кінцевої мети EC поділяються на:

·       системи типу “питання – відповідь», що включають підсистеми діалогового спілкування з користувачем професійною мовою користувача даної ПрО;

·       системи-консультанти, що забезпечують збереження, аналіз і узагальнення знань висококваліфікованих фахівців у вузькоспеціалізованих ПрО і здатні виробляти проектні (консультативні) рішення і роз’ясняти логіку їхнього виводу;

·       системи-вирішувачі, що розробляють моделі бази знань і реалізують їх у вигляді проблемно-орієнтованих пакетів вирішення задач на базі наявного банку знань і характеристик класу задач, що вирішується.

Історія ЕС

ЕС виникли як результат використання методів штучного інтелекту, що має вже більш ніж 40-літню історію розвитку. У 50-і роки основним напрямком розвитку систем ШІ було моделювання роботи людського мозку у вигляді нейронних мереж. Однак, через недостатньо високий рівень розвитку обчислювальної техніки на той час, розробка нейронних мереж поступилася місцем іншим методам ШІ і знову активізувалася лише в 80-і роки, коли були розроблені перші нейрокомп’ютери.

У 60-і роки основна увага була приділена розробці загальних методів евристичного пошуку – методів, заснованих на евристиках (неформалізованих правилах вирішення задач). Універсальна евристика, на якій сформована стратегія вирішення задач відома як пошук у глибину:

ЯКЩО – метод вирішення задачі не відомий;

ТО – варто спробувати розбити задачу на частині і вирішити кожну з них як самостійну.

Цей простий приклад демонструє всі особливості евристик: нечіткість й обмеженість області застосування. Досвід показав, що універсального набору евристик, що дозволяє вирішити задачу в будь-якій області і будь-якої складності не існує. А інтелектуальні розв’язники задач, побудовані на наборах загальних евристик, виявилися в стані вирішувати лише «іграшкові» задачі. Однак саме дослідження методів евристичного пошуку виявилося необхідним кроком до наступного етапу розвитку.

З кінця 60-х років провідні спеціалісти в області ШІ істотно змінили свою точку зору на методи вирішення задач. Було з’ясовано, що ефективність методу залежить у першу чергу від конкретних знань про досліджувану область, і лише в останню – від загальних стратегій і схем логічного висновку.

Цей принцип – один з найважливіших принципів розробки ЕС. Інакше кажучи, чим більш універсальну систему ШІ планується зробити, тим меншу потужність вона буде мати (здатна буде вирішувати лише дуже прості задачі). І навпаки, чим більш ми конкретизуємо (звузимо) область, задачу і знання про її вирішення, тим вище буде «інтелектуальний рівень» системи, що вирішує дану задачу з використанням вкладених у неї знань.

Першою системою, заснованою на такому підході, стала система DENDRAL – висококваліфікований експерт в області хімії, яка була розроблена в 1965 році в Стенфордському університеті. Вона вирішує задачі побудови можливих хімічних структур по експериментальним даним про досліджувану речовину. Ця система у своїй роботі використовує базу знань, що містить не загальні евристичні правила, подібні приведеним вище, а кілька десятків евристик, що відбивають специфічні правила міркувань, властивих хімікам. Ця система виявилася новим етапом у розвитку ЕС.

Одна з найбільш відомих у світі експертних систем медичної діагностики є ЕС «MYCIN». Вона вирішує задачі діагностики інфекційних захворювань крові і вироблення рекомендацій з їхнього лікування. Система використовує базу медичних знань про захворювання, симптоми і мікроорганізми (культури), що їх визвали. Необхідну інформацію про пацієнта система одержує в процесі діалогу з користувачем (лікарем). За визнаннями фахівців-медиків, система MYCIN не поступається за якістю діагностики ведучим експертам-фахівцям.

Розробка експертних систем

При розробці ЕС необхідно розв’язати ряд проблем. Перші труднощі виникають у зв’язку з постановкою задачі. Для, успішної розробки ЕС необхідна не тільки чітка і конкретна постановка задачі, але і розробка докладного (хоча б словесного) опису «ручного» методу її вирішення. Якщо це зробити важко, то подальша робота з побудови експертної системи втрачає зміст.

Друга й основна складність – це проблема надбання знань. Вона виникає при передачі знань від експертів до системи. Для початку необхідно систематизувати, формалізувати ці знання на папері. Функції посередників між експертами в предметній області і комп’ютерних системах виконують інженери звань.

Основою функціонування ЕС є евристичні правила. Під евристичними правилами розуміються закономірності не загальноприйнятого характеру, а сформульовані на основі досвіду і практичних знань експертів. При створенні експертної системи група, що складається з експертів і інженерів по знаннях, збирає дані, правила й евристичні правила. Зібрані дані і знання далі включаються в програму.

Третя серйозна складність полягає у дуже великій трудомісткості створення програмного забезпечення ЕС. Обсяг настільки великий, а програми настільки складні й не традиційні, що має сенс на попередньому етапі створювати демонстраційний прототип системи.

Аналіз роботи експертної системи найбільш зручно провести, попередньо розглянувши її структурну організацію (рис. 72).

ЕС передбачає два типи взаємодій з нею і два окремих входи, що відповідають різним цілям роботи користувачів з ЕС.

1. Діалоговий режим роботи, при якому користувачеві потрібна консультація ЕС, і в процесі якого вона вирішує деяку експертну задачу. У цьому випадку взаємодія з ЕС здійснюється через діалоговий процесор – спеціальний компонент ЕС, призначений для забезпечення контакту користувача і ЕС. Існує дві основні форми діалогу з ЕС – діалог на обмеженій підмножині природної мови і діалог на основі меню. На малюнку послідовність процесів у структурних блоках ЕС зображена у вигляді сірої ламаної лінії І.

Рисунок. Структура і схема роботи експертної системи

2. Режим навчання, при якому відбувається заповнення бази знань ЕС. У цьому режимі бере участь група експертів у предметній області й інженерів звань. Діалог з ЕС здійснюється через спеціальний діалоговий компонент ЕС – підсистему набуття знань, що дозволяє частково автоматизувати цей процес. Послідовність процесів при контакті з ЕС для цього випадку зображена у вигляді сірої ламаної лінії ІІ.

Існують кілька способів представлення знань у ЕС, однак загальним для усіх них є те, що знання представлені в символьній формі, елементарними компонентами представлення знань є тексти, списки й інші символьні структури. Тим самим, у ЕС реалізується принцип символьної природи міркувань, що полягає в тім, що процес міркування представляється як послідовність символьних перетворень.

База знань

ЕС, як і людина-експерт, у процесі своєї роботи оперує із знаннями. Знання про предметну область, необхідні для роботи експертної системи, певним чином формалізовані і представлені у вигляді бази знань.

База знань – це серцевина кожної EC, її найбільш важливий компонент, на якій засновані її «інтелектуальні здібності». На відміну від всіх інших компонентів ЕС, база знань – змінна частина системи. яка може поповнюватися і модифікуватися експертами й інженерами знань у міру накопичення знань і досвіду використання системи.

База знань містить як дані (інформацію, факти, твердження) про предметну область, так і правила, за допомогою яких ці дані використовуються при прийнятті рішень. У базі знань інформація про професійні знання в даній галузі зберігається у вигляді структурованої моделі ПрО. Інформація класифікується, узагальнюється, оцінюється на несуперечливість, окремі інформаційні одиниці об’єднуються зв’язками різного типу. Мови, що призначені для опису будь-якої ПрО, мають назву мов зображення знань.

Опис ПрО з використанням певних знакових систем називають формалізацією знань. Під формалізацією знань розуміють їх зображення у вигляді певним чином організованих даних, які відбивають закономірності, що існують у визначеній ПрО. Тим самим здійснюється опис знань у вигляді формальних моделей. В теорії баз даних під моделлю даних розуміють формалізм, який призначено для опису структур даних, залежностей між ними, умов, яким вони повинні задовольняти.

Формальні моделі зображення знань

Сучасні медичні експертні системи найчастіше використовують такі формальні моделі зображення знань: семантичні, фрейми, продукційні правила. Розглянемо їх більш детально.

Продукційні моделі

Широкий клас експертних систем використовує загальну схему подання знань у вигляді системи продукцій. Це найбільш розповсюджений спосіб представлення знань у вигляді елементарних фактів і правил, за якими з наявних фактів можуть бути виведені нові. Факти можуть бути представлені у вигляді трійок:

(АТРИБУТ, ОБ’ЄКТ, ЗНАЧЕННЯ).

Такий факт означає, що даний об’єкт має заданий атрибут (властивість) із заданим значенням. Наприклад, трійка (Температура, пацієнт, 37,5) представляє факт «температура хворого, що позначається як пацієнт, дорівнює 37,5 градусів». Такий спосіб представлення фактів прийнятий у системі MYCIN. У більш простих випадках факт виражається не конкретним значенням атрибута, а яким-небудь простим твердженням, що може бути істинним або хибним, наприклад «Небо вкрите хмарами». У таких випадках факт можна позначати яким-небудь коротким ім’ям або використовувати для подання факту сам текст відповідної фрази.

Правила в базі знань мають вигляд:

ЯКЩО C  ТО D,           де C – умова, D – дія.

Дія D виконується, якщо C істинно. Найбільш часто дія, так само, як і умова, являє собою твердження.

Правила в базі знань служать для представлення евристичних знань (евристик), тобто неформальних алгоритмів міркувань, вироблених експертом на основі досвіду його роботи.

В якості умови А може виступати або елементарний факт, або кілька фактів з’єднаних логічною операцією І: А і А₁ і А₂ і… А_n. У математичній логіці такий вираз називається кон’юнкцією.

Він вважається істинним у тому випадку, якщо істинні всі його компоненти. Дії, що входять до складу правил, можуть містити нові факти. При застосуванні таких правил ці факти стають відомі системі, тобто включаються в множину фактів, що називається робочою множиною. Якщо система не може вивести деякий факт, істинність або хибність якого потрібно установити, то система запитує про нього користувача.

У разі використання формально-логічної моделі, сукупність знань експерта про ПрО записують у такій формі:

(n); S; U; C  D; P;       де– ім’я продукції; S – характеристика сфери застосування продукції; U – умова застосування; C  D – ядро (конструкція ЯКЩО C  ТО D ); C – кон’юнкція елементарних фактів чи їх заперечень; D – елементарний факт; P – визначає постумови продукції, що виконуються після її реалізації.

Продукцiйнi правила описують знання у формі «ЯКЩО  ТО» і забезпечують формальний спосіб зображення вказівок, рекомендацій або стратегій. Використання правил спрощує роз’яснення того, яким чином система дійшла до конкретного висновку. Простота та наочність цього способу обумовили його використання у багатьох системах. Але, у разі використання формально-логічних моделей можливий опис лише узагальнених знань про дійсність.

Ядро продукційного правила для експертних систем на логіко-ймовірнісних моделях мас вигляд :

C  (D, W),     де W – оцінка правдоподібності висунутої гіпотези.

Якщо оцінки W є ймовірностями, то ця схема визначає ймовірнісний висновок, якщо W – числові ваги, то говорять про приблизний висновок, а якщо W має словесні оцінки, то висновок називають розмитим (нечітким).

Під системою продукцій розуміється певний метод організації обчислювального процесу, при якому програма перетворення визначеної інформаційної структури задається у вигляді множини правил-продукцій. Кожне правило тут подається у вигляді «умова застосування → дія», або «передумова → висновок». Умова застосування визначає деякі вимоги до певного стану інформаційної структури, а дія містить у собі опис операцій над інформаційною структурою, які треба виконати, якщо її стан задовольняє цим вимогам. Зміст дій може полягати у впливі на управління програмою (наприклад, виконати перевірку деякого набору правил), зводитися до вказівки системі про отримання певного висновку (наприклад, додати новий факт або гіпотезу до бази даних).

До складових частин продукцiйної системи звичайно належать база фактів, база правил, механізм виводу та, іноді, механізм роз’яснення. База фактів містить фактичні дані, що описують поточну задачу і вводяться в комп’ютер, і стани системи. База даних в різних системах має різну форму, але загалом вона може бути описана як група даних, яка містить ім’я даних, атрибути та їх значення. Факти, що є умовами та наслідками правил, розміщуються на тимчасове зберігання в базі фактів.

База правил містить сукупність правил, які використовують факти як основу для прийняття рішень. Більшість із правил експертних систем є евристичними, тобто емпіричними правилами або спрощеннями, що ефективно обмежують пошук рішення. Експертна система використовує евристику, тому що задачі, котрі вона вирішує, не піддаються чіткому математичному аналізу, або алгоритмічному вирішенню. Алгоритмічний метод гарантує оптимальне вирішення задач, тоді як евристичний метод дає в більшості випадків прийнятне рішення. Використання евристичних правил робить пошук рішення найбільш легким та практичним.

До складових частин механізму виводу належать:

·       інтерпретатор правил, що містить загальні знання про схему управління вирішенням задач, визначає, як використовувати правила для виводу нових знань і формує висновок, використовуючи базу правил та базу фактів;

·       диспетчер, що встановлює порядок використання правил.

Отже, в експертних системах, основу яких складають продукційні правила, предметні знання подаються у вигляді набору правил, що перевіряються на групі фактів або знань про поточну ситуацію. Коли частина правила ЯКЩО задовольняє фактам, то дія, що вказана в частині ТО, виконується. В цьому випадку вважається, що правило виконане, і інтерпретатор правил починає робити співставлення частки правил ЯКЩО з фактами і виконувати те правило, частка ЯКЩО якого узгоджується з фактами. Зміст дії правила може полягати у модифікації набору фактів у базі знань, наприклад, у додаванні нового факту. В цьому випадку нові факти, що додаються до бази знань, використовують для співставлення з частками правил ЯКЩО. Процес співставлення цих правил з фактами часток ЯКЩО утворює ланцюг виводу.

Наведемо приклад продукцiйного правила (його зовнішнє зображення), що міститься серед знань у вищезазначеній системі MYCIN:

ЯКЩО  Не відомо, може чи ні організм розвиватися аеробно

ТА  Середовищем для культури служить кров,

АБО  Лабораторія спробувала вирощувати організм анаеробно

ТА  Організм здатний рости анаеробно

ТО  Існують підстави вважати, що аеробність організму невизначена (0,5) або він анаеробний (0,2).

Тут 0,5 та 0,2 – коефіцієнти правдоподібності зазначених тверджень.

Механізм, реалізований як засіб виводу в системi продукцій, нескладний. Він реалізує функції пошуку у базі знань, послідовне виконання операцій над знаннями та отримання висновків – прямі дедуктивні висновки (прямий ланцюг суджень) та зворотні дедуктивні висновки (зворотний ланцюг суджень). Відомо, що дедукція – така форма мислення, за допомогою якої певна думка логічним шляхом виводиться з думок-посилок.

У прямих дедуктивних висновках рух здійснюється до поставленої мети з послідовним використанням правил до даних (фактів), що приймаються за початок. Спочатку обирається один із елементів даних, який міститься у базі фактів. Коли при порівнянні цей елемент узгоджується з посилкою правила, то можливі такі дії: або з правила виводиться відповідний висновок, який розташовується у базі фактів, або здійснюється дія, яка визначається правилом, та відповідним чином змінюється зміст бази фактів. Таким чином, починаючи з уже відомих результатів до системи продукцій послідовно виводяться нові. Висновки, за якими цей процес рухається в напрямку від поставленої мети до початку, називаються зворотними. Коли ця мета узгоджується з висновком правила, то посилка правила приймається за прототип мети, чи гіпотезу, i цей процес повторюється до тих пір, доки не буде отримано збігу по меті (або гіпотезі) з отриманими даними.

В діагностичній медичній практиці встановлення ймовірного діагнозу хвороби опосередковано, як правило, через проміжний імовірнісний діагноз, ступінь імовірності якого залежить від специфіки встановлених ознак хвороби. З точки зору фізіології імовірнісний характер встановленого діагнозу пояснюється, як правило, великою кількістю варіантів можливих проявів певного захворювання в залежності від індивідуальних особливостей кожного хворого (його конституції, стану імунної системи, віку, статі, професії тощо).

Метод імовірного діагнозу, таким чином, вимагає використання в діагностиці діагностичних гіпотез. Підставою для побудови діагностичних гіпотез служить аналогія, коли при збігові декількох симптомів даного хворого із симптомами будь-якого захворювання робиться припущення, що у хворого є захворювання, із яким, імовірно, буде більше або менше збігу і за іншими ознаками. Чим менше є симптомів, тим більш можливими є різні припущення щодо діагнозу.

Діагностична гіпотеза вважається правомірною, якщо вона виводиться із фактів, що не суперечать жодному з наявних фактів-симптомів і містить узагальнюючі висновки, на основі яких гіпотеза може бути перевірена за допомогою нових фактів, що встановлені в процесі обстеження та спостереження за хворим. В процесі діагностики кількість гіпотез повинна бути доведена до мінімуму (необхідно прагнути роз’яснити за допомогою однієї гіпотези як можна більшу кількість наявних фактів). Перевага надається гіпотезам, які побудовані при найменшій кількості припущень, але найбільш багаті щодо висновків і відрізняються простотою. Необхідною умовою методу ймовірного діагнозу є різнобічна перевірка гіпотези, в тому числі шляхом виявлення і вивчення клінічних симптомів, що суперечать даній гіпотезі.

Принципам діагностики властива універсальність, яка дозволяє за єдиною методологією діагностувати будь-яку патологію усіх органів та систем організму. Тому таким важливим для майбутніх лікарів є розуміння принципу функціонування (механізму виводу) продукційних експертних систем, що являють собою модель для вивчення процесу прийняття медичних рішень.

Відносно низька ефективність у порівнянні з традиційними методами програмування є одним з недоліків продукційного методу зображення знань. Це пов’язано з тим, що модульна організація бази знань потребує концентрації інформації у посилці, що в складних ситуаціях призводить до побудови заплутаних умов.

Недоліком логіко-ймовірнісних моделей є й те, що оцінки правдоподібності суттєво залежать від суб’єктивно заданих для кожного правила умовних ймовірностей або числових ваг. Більш того, невеликі варіації вихідних ймовірностей можуть спричинити до значних змін в оцінці правдоподібності.

 

Інформаційні ресурси системи охорони здоров’я

Основи телемедицини.

Телемедицина – прикладний напрямок медичної науки, пов’язаний з розробкою й застосуванням на практиці методів дистанційного надання медичної допомоги й обміну спеціалізованою інформацією на базі використання сучасних телекомунікаційних технологій. Найбільш повним є визначення, дане Американською асоціацією телемедицини: «Предмет телемедицини полягає в обміні медичною інформацією між віддаленими один від одного пунктами, де перебувають пацієнти, лікарі, інші провайдери медичної допомоги, між окремими медичними установами. Телемедицина має на увазі використання телекомунікацій для зв’язку медичних фахівців із клініками, лікарнями, що надають першу допомогу, пацієнтами, що перебувають на відстані, з метою діагностики, лікування, консультації й безперервного навчання».

Мета телемедицини – надання якісної медичної допомоги будь-якій людині незалежно від його місцезнаходження й соціального стану. Предметом телемедицини є передача за допомогою телекомунікацій і комп’ютерних технологій всіх видів медичної інформації між віддаленими один від одного пунктами (медичними установами, пацієнтами й лікарями, представниками охорони здоров’я тощо). Технології, що застосовуються у телемедицині

Більшість працюючих нині телемедичних проектів будуються на двох типах технологій.

Перший тип – відкладена телеконсультація (телеконсультація off-line) – різновид консультування, що відбувається без використання систем внутрімережного спілкування в реальному часі. Цей тип відповідає принципу «накопичення – передача». Суть його полягає в одержанні й передачі зображень у цифровому вигляді від одного користувача (лікаря) іншому. Для спілкування й передачі інформації консультант й абонент використовують, як правило, електронну пошту та спеціальні процедури відкладених телеконсультацій. Найбільш типове застосування цієї технології в рутинній практиці для надання планової медичної допомоги полягає в отриманні діагнозу або консультації протягом 24 – годин.

Поки що найбільш частим застосуванням цієї технології є телерадіологія – обмін рентгенограмами, томограмами або МР-томограмами. Зображення можуть передаватися на будь-які відстані. Радіологи можуть переглядати й аналізувати зображення, не виходячи з будинку. Реалізація цього методу можлива за допомогою будь-яких протоколів передачі даних і типів з’єднання – від перенесення даних на дискетах і простого кабельного з’єднання до складних супутникових каналів.

Перш ніж Інтернет став загальнодоступним, на величезному просторі тоді ще Радянського Союзу успішно функціонувала некомерційна мережа FidoNet, що поєднувала ЕОМ ентузіастів всієї країни. У рамках цієї мережі й на основі її протоколів (так званих FТN-протоколів) проводились телемедичні консультації. Питання, задане користувачем, читали сотні й тисячі відвідувачів мережі, і кожен міг висловити свої власне міркування порушеного питання. На основі подібної технології в Білорусії кілька років функціонувала професійна регіональна мережа обміну медичною інформацією ВеlMedNet. Мережа дозволяла обмінюватися повідомленнями й файлами. Недоліком подібного способу була асинхронність і розтягнутість у часі одержання повідомлень.

З появою Інтернет реалізація методу «накопичення – передача» спростилася. З’явилися електронні дошки оголошень, форуми й чати, де можна поспілкуватися з колегами.

Другий тип – «двостороннє інтерактивне телебачення» або очне консультування (телеконсультація on-line) – телемедична процедура, різновид віддаленого консультування, проведена з використанням систем реального часу (як правило, відеозв’язку). У клінічній практиці використовується для надання невідкладної медичної допомоги і являє собою процес обговорення конкретного клінічного випадку абонентом і консультантом, коли необхідна консультація «у реальному часі».