PAIRS Medical Diagnosis 1.0

Over PAIRS Medical Diagnosis

Medische diagnose is een complex onderwerp en lijdt aan verschillende valkuilen. Hoewel studie van de geneeskunde is een wetenschap, de praktijk is een kunst. Fouten kunnen gebeuren tegen enorme kosten voor de patiënt en hun familie en arts. Clinical Decision Support Systems (CDSS) zijn ontwikkeld om de fouten te minimaliseren. AI-MED is ontworpen om artsen te helpen fouten in hun praktijk te minimaliseren. In een studie bleek dat jaarlijks 225 000 patiënten overlijden als gevolg van medische fouten, waaronder diagnostische fouten (15%) en bijwerkingen van medicijnen (45%). CDSS is verplicht gesteld voor gebruik in de VS samen met HIS om deze fouten te minimaliseren. Diagnostische fouten worden gemaakt door artsen om verschillende redenen. Psychologen bestudeerden deze en vonden dat opvallende afleidende kenmerken een van de redenen kunnen zijn. Bijvoorbeeld, kan men denken dat sommige functies zijn belangrijk vanwege hun huidige relatie met een gebeurtenis, maar kan niet worden betrokken bij het ziekteproces of niet gerelateerd aan de diagnose. Ook defecte redenering kan te wijten zijn aan cognitieve of bevestiging bias. Sommige andere fouten kunnen te wijten zijn aan verankering of framing of vroegtijdige sluiting van leads. AI-MED is ontworpen om deze fouten te minimaliseren door het proces te verstoren. AI-MED diagnostisch proces is storend voor de traditionele diagnose (door geen rekening te houden met een vooroordeel steevast betrokken bij de menselijke redenering) en dus minimaliseren fouten.

Kunstmatige intelligentie (AI) bestaat uit Natural Language Processing (NLP) en Diagnostic Decision Support (DDS) en maken deel uit van CDSS. Enkele voorbeelden van NLP zijn een statistische tekstclassificatie. Echter, klinische termen zijn veel complex en meestal zijn gebaseerd op Latijnse en Griekse termen. Voor tekstclassificatie is een gestandaardiseerde nomenclatuur van medische terminologie-klinische termen (SNOMED-CT) ontwikkeld. De termen (meer dan 300 000) worden geïndexeerd met 9 cijfers voor nauwkeurige beschrijving en geautomatiseerde verwerking. Algoritmen zijn gebouwd om deze index te gebruiken voor een correcte interpretatie van patiëntgegevens. DDS wordt toegepast op patiëntgegevens voor diagnose. Bayesiaanse probabilistische geloofsnetwerken zijn populair en hun benaderingsmethoden kunnen worden gebruikt voor diagnose. Physician Assistant Artificial Intelligence Reference System (PAIRS) is ontwikkeld in vergelijkbare lijnen. Het heeft ongeveer 28 000 ziekte-functie links voor ongeveer 486 interne geneeskunde ziekten en 2000 functies. PAIRS-kenmerken bestaan uit symptomen, tekenen of tests. Het is AI bestaat uit NLP en DDS. NLP is gebaseerd op SNOMED-CT woordindexanalyse. Het algoritme genereert een op woorden gebaseerde indexen waaruit de mogelijke synoniemen worden geselecteerd en weergegeven. De gebruiker kan gegevens invoeren zoals men houdt van en programma zoekt naar hun synoniemen uit een lijst met functies. AI-MED maakt gebruik van de PAIRS-database. Gebruiksvriendelijke NLP maakt het mogelijk om klinische gegevens in te voeren zoals men wil. Acroniemen worden bijvoorbeeld correct geïdentificeerd door NLP. Zodra patiëntgegevens zijn ingevoerd, kan men DDS uitvoeren.

AI-MED maakt gebruik van de benaderingsmethode van de Bayesiaanse Probabilistische methode voor zijn DDS. Deze methode werd gepubliceerd in Journal of Artificial Intelligence Research door Tommi Jaakkola en Michael Jordan in 1999. Elk van paren kenmerken worden gewogen (0,09 tot 0,99) op basis van hun pathofysiologische basis en hun klinische belang. Diagnostische beslissing is geclusterd in een van elke groep voor: infectie, neoplasie, auto-immuun of anderen. DDS draait op patiëntgegevens om een reeks mogelijke diagnoses te geven. AI-MED geeft diagnostische gegevens, ongeacht enige vooringenomenheid. Voor alle patiëntgegevens wordt een casegegevens uit de PAIRS-database opgeslagen. Case gegevens omvatten gewichten, incidentie van ziekte en hun statistische lekfactoren. DDS is ontworpen om een benadering van de waarschijnlijkheid van een ziekte te berekenen. Deze benadering heeft een boven- en ondergrenzen. De nauwkeurigheid van de implementatie van deze algebraïsche algoritmen wordt geverifieerd door een consistente numerieke variatie van 0,00004 tot 0,00009 tussen de grenzen. Een Bayesiaanse probabilistische schatting wordt gemaakt voor een diagnose. Ten slotte wordt een reeks onderzoeken voorgesteld voor het testen van de mogelijke diagnose. De uitvoer kan worden opgeslagen in een bestand voor verdere verwijzing.