Minisympozjum: Monitorowanie płodu

Systemy ekspertowe w medycynie perinatalnej

J. M. Mongelli, M. S. Rogers, L. Y. Hin, A. M. Z. Chang, Department of Obstetrics and Gynaecology, Chinese University of Hong Kong, Prince of Wales Hospital, Shatin, New Territories, Hong Kong. Tłumaczył: Redaktor Naczelny miesięcznika Informatyka" Lesław Wawrzonek

Systemy ekspertowe są jednymi z najważniejszych rezultatów trzydziestoletnich badań w zakresie nauk komputerowych. Definiowane są one jako klasa programów komputerowych do doradzania, analizowania, kategoryzowania, komunikowania, konsultowania, projektowania, diagnozowania, objaśniania, poznawania, przewidywania, tworzenia koncepcji, identyfikowania, interpretowania, osądzania, uczenia, zarządzania, monitorowania, planowania, prezentowania, odzyskiwania, testowania i uczenia". Obejmują one zagadnienia, dla rozwiązania których -jak zwykle sądzono - niezbędni byli specjaliści-ludzie¹. Programy te są częścią szerokiej grupy systemów komputerowych znanych pod nazwą Sztucznej Inteligencji (Al - Artificial Intelligence), którą prof. M. Minsky z MIT określa jako sztukę używania maszyn do robienia rzeczy, które w przypadku wykonywania przez człowieka wymagają korzystania z inteligencji"².

Większość medycznych systemów ekspertowych jest projektowana dla celów diagnostycznych i do podejmowania decyzji klinicznych. Cechy kliniczne (ang. CF - clinical features) pacjentów dostarczają danych wejściowych do obliczeń, których wyniki są niezbędne do podejmowania decyzji. Do ich oceny potrzebna jest wiedza w postaci bazy danych. Niezawodność wnioskowania zależy zatem od jakości bazy wiedzy, skuteczności maszyn wnioskowania oraz dokładności danych wejściowych, czyli cech klinicznych.

SYSTEMY WNIOSKOWANIA (ANG. INFERENCE ENGINES) W SYSTEMACH EKSPERTOWYCH

Projekt systemów wnioskowania może opierać się na jednym lub kilku modelach matematycznych. Można je przedstawić w układzie współrzędnych poznania" oraz złożoności" (patrz ryc. 1). System wnioskowania może działać na niskim poziomie złożoności, np. jako wnioskowanie algorytmiczne, lub na wyższych poziomach złożoności, np. jako sieci neuronowe czy algorytmy genetyczne.

Poniżej przedstawiono krótkie opisy głównych modeli matematycznych stosowanych w systemach wnioskowania.

WNIOSKOWANIE ALGORYTMICZNE

Algorytm jest sekwencją instrukcji wskazujących sposób wykonania zadania. Większość wczesnych systemów ekspertowych opierała się na tym podejściu. Są one stosunkowo proste do zrealizowania w standardowych językach komputerowych. Przykładowo algorytm może składać się z serii zdań napisanych w kolejnych wierszach wraz z niezbędnymi skokami warunkowymi. Wnioski są uzyskiwane po przejściu przez serię zdań warunkowych if... then... else" (czyli: Jeżeli... to... w przeciwnym przypadku... "), np.: if" pacjent ma objawy kliniczne A i B, ale nie C, then" diagnozą jest prawdopodobnie warunek X, terapią zaś Y.

Ryc. 1.: Systemy wnioskowania w systemach ekspertowych, przedstawione w funkcjach poznania" i złożoności". Jeżeli system jest dobrze zrozumiały, to system wnioskowania może działać na niskim poziomie złożoności, np. jako wnioskowanie algorytmiczne. Dla systemów słabo zrozumiałych maszyna musi funkcjonować na wyższych poziomach złożoności, np. jako sieci neuronowe czy algorytmy genetyczne. (Reprodukowane za zezwoleniem John Wiley&Sons W: Refenes A-P., wyd. Neural networks in the Capital Markets, s. 4. ).

KLASYFIKACJA WZORCÓW STATYSTYCZNYCH

W grupie tej stosuje się zwykle trzy popularne procedury: twierdzenie Bayesa, funkcje dyskryminacji liniowej oraz porównania baz danych.

Twierdzenie Bayesa umożliwia połączenie kilku powiązanych prawdopodobieństw dla uzyskania wniosków. W tym przypadku przy danych cechach klinicznych pojedynczego pacjenta można oszacować prawdopodobieństwo różnych diagnoz, a na tej podstawie można postawić właściwą diagnozę. Proces ten jest uważany za podobny do typowego ludzkiego podejścia w określaniu diagnozy. Stosowany tu wzór ma następującą postać:

P(Dx: CF) = P(CF: Dx) * P(Dx) / (P(CF: DX) * P(Dx) + P(CF: notDx) * P(not Dx)),

gdzie: P jest prawdopodobieństwem, Dx oznacza diagnozę, CF zaś jest zbiorem cech klinicznych. Wyrażenie z lewej strony wzoru P(Dx: CF) można określić słowami: prawdopodobieństwo diagnozy Dx przy danym CF". Z prawej strony wzoru symbole P(Dx) i P(not Dx) oznaczają wstępne prawdopodobieństwa diagnozy oraz jej alternatywy. Zwykle istnieje pewna liczba cech klinicznych i możliwych warunków. Prawdopodobieństwo jest obliczane z tego wzoru dla każdego warunku, po czym wybierany jest jeden z najwyższą wartością. Wzór ten opiera się na założeniu braku korelacji między zmiennymi. Jeśli założenie to nie jest prawdziwe, to równanie wymaga modyfikacji, co czyni obliczenia znacznie bardziej skomplikowanymi. Trzeba podkreślić, iż metoda ta nie daje ostatecznej diagnozy, ale umożliwia lekarzowi rozważanie rozpoznań najbardziej prawdopodobnych.

Funkcje dyskryminacji liniowej opierają się na złożonej teorii matematycznej, której zasada może być dobrze przedstawiona na podanym przykładzie. Prawdopodobieństwo rozpoznania stanu zagrożenia płodu zmienia się wraz z występowaniem lub brakiem takich objawów (cech klinicznych), jak n. p.: przyśpieszona czynność serca (tachykardia), deceleracje, niska punktacja w skali Apgar, niskie pH krwi ze skóry główki płodu itp. Jeśli uwzględni się jedynie tachykardię płodową, wówczas prawdopodobieństwo wystąpienia stanu zagrożenia płodu jest bezpośrednio powiązane z czynnością serca, co można wyrazić następująco:

y = al +bl *xl gdzie:

y - jest liczbą związaną z prawdopodobieństwem stanu zagrożenia płodu, x1 - czynnością serca, a a1 i b1 są stałymi obliczonymi na podstawie danych uzyskanych od płodów i noworodków w stanie zagrożenia.

Kolejnym elementem rozważań jest występowanie lub brak deceleracji, co można opisać równaniem:

y = a2 + b2 * x2, gdzie:

wartość x2 wynosi 1, jeśli występuje deceleracja, a O - jeśli jest jej brak. Połączenie obu postaci daje wzór:

y = (al+a2) + bl *xl+b2*x2.

Dłuższe wyrażenia uzyskuje się poprzez dołączanie kolejnych zmiennych. Zmienna wynikowa y jest więc liczbą- czyli funkcją dyskryminacji - która może służyć do podzielenia zbiorowości na dwie lub więcej grup o jednej lub kilku wartościach odcięcia (cut-off). Każda grupa będzie miała określone prawdopodobieństwo danej diagnozy (czyli ryzyka choroby). Stałe a i b muszą być obliczone na podstawie danych rzeczywistych, a następnie poprawione dla dowolnych (przypadkowych) kombinacji zbiorowości. Główną zaletą funkcji dyskryminacji liniowej w stosunku do twierdzenia Bayesa jest to, że zmienne nie muszą być niezależne względem siebie.

Porównanie baz danych jest podejściem umożliwiającym porównanie nowego pacjenta z podobnymi pacjentami opisanymi już w bazie danych. Po zakwalifikowaniu nowego pacjenta do odpowiedniego podzbioru pacjentów w bazie danych, diagnoza i terapia tego podzbioru może być zastosowana do nowego przypadku. Metoda ta może być mało precyzyjna, gdyż dopasowanie nowego pacjenta do bazy danych jest często niedoskonałe. Zaletą tego systemu jest to, że nie czyni on założeń co do niezależności czy zależności postaci klinicznych.

ANALIZA REGRESJI

Składa się ona z pewnej liczby powszechnie stosowanych metod statystycznych. Dwie główne aplikacje to: opis wzajemnych relacji między zmiennymi w zestawie danych oraz tworzenie modeli predykcyjnych. Ta grupa technik umożliwia opisywanie zmiennych zależnych jako kombinacji liniowych lub krzywoliniowych jednej lub wielu niezależnych zmiennych.

Regresja wielu zmiennych (ang. multiple regression)

Standardowym podejściem do opisania relacji między dwiema zmiennymi lub większą liczbą zmiennych jest metoda najmniejszych kwadratów. W najprostszym modelu (jednej zmiennej niezależnej) zestaw danych składa się z analizowanych wartości X i Y. Problem polega na dopasowaniu linii regresji w ramach zestawu współrzędnych X-Y w taki sposób, aby zminimalizować sumę kwadratów odległości pionowych (reszt) od linii. Wariancja reszt (tzn. suma kwadratów podzielona przez liczbę obserwacji minus 2) jest wtedy minimalna. Metoda ta zakłada rozkład normalny i równość wariancji zmiennych, jest ona skuteczna jedynie w przypadku niewielkich odchyleń.

Regresja logarytmiczna (ang. logistic regression)

Jeśli rezultatem jest występowanie lub brak pewnego warunku w rzeczywistości (czyli funkcja binarna), wówczas nie można stosować regresji wielu zmiennych. Wprawdzie podstawowa zasada pozostaje najczęściej taka sama, konieczne jest jednak przeprowadzenie transformacji (przekształcenia) zmiennych zależnych. Stosuje się w tym celu transformację logarytmiczną (log(p)), gdzie p oznacza proporcję osób z daną charakterystyką. Stosunek p/(1-p) jest zwany odchyleniem (ang. odds). Wzór opisujący transformację jest następujący:

log(p) = l

i stanowi odchylenie logarytmiczne. Różnice w proporcji zmiennej wynikowej przypisywanej do danej zmiennej niezależnej można wyrazić jako różnicę transformowanej wartości p w obrębie populacji z niezależną zmienną (pi) i bez zmiennej niezależnej (p2): delta = log(pl) - Iog(p2) = ln(pl/(l-pl)) - ln(p2/( l -p2)) =

Wartość ta jest logarytmem stosunku odchyleń. Regresja logarytmiczna umożliwia zbadanie, jakie czynniki są przewidywalne dla badanej zmiennej oraz skonstruowanie modelu predykcji. Dostępne są też techniki krokowe (iteracyjne), które umożliwiają włączanie do modelu tylko zmiennych o największym wpływie na zmienną zależną. Metoda ta wymaga bardzo skomplikowanych obliczeń i zaawansowanego oprogramowania statystycznego.

Regresja nieparametryczna

Regresja liniowa i logarytmiczna należą do klasy technik statystycznych, znanych pod nazwą uogólnionego modelu liniowego³. Oba te modele zakładają, że niezależne zmienne lub ich odpowiedniki po transformacji są liniowo związane ze zmienną (zmiennymi) wynikową. W sytuacjach, w których założenie to nie jest spełnione, interferencja statystyczna jest niedokładna i może ukrywać prawdziwą relację między zmiennymi niezależnymi a zależnymi (wynikowymi).

Istnieją jednakże techniki do przezwyciężania ograniczeń uogólnionego modelowania liniowego. Są to regresje nieparametryczne, takie jak uogólnione modele addytywne⁴, umożliwiające szacowanie (estymację) tych relacji przy użyciu technik wygładzających. W uogólnionym podejściu addytywnym, dzięki modelom utworzonym z zastosowaniem tych technik można lepiej przewidywać niż w przypadku pozostałych, gdyż relacje między zmiennymi niezależnymi a zmiennymi zależnymi są dokładniej szacowane.

Podobnie jak w innych modelach tworzonych przy użyciu technik regresji parametrycznej, przewidywania z zastosowaniem uogólnionych modeli addytywnych są poprawne jedynie w obrębie określonych zakresów zmiennych niezależnych w zbiorach danych, na których opierają się modele. Predykcja w obrębie uogólnionego modelu addytywnego wymaga interpolacji wygładzonej i nieparametrycznej aproksymacji relacji między zmiennymi⁵. Dlatego też metoda ta jest bardzo wymagająca obliczeniowo, rezultaty zaś nie mogą być łatwo wyrażane jako zestawy takich współczynników, jak generowane z regresji liniowej czy logarytmicznej.

Na rynku dostępny jest pakiet statystyczny S-Plus^s, umożliwiający przeprowadzanie tych obliczeń. W ostatniej wersji pakietu z wyników wyjściowych nie można uzyskać ważonej macierzy wygładzania, która jest odpowiednikiem współczynników regresji, być może będzie to dostępne w kolejnej wersji programu.

SIECI NEURONOWE

Usiłowania opracowania modelu biologicznych podstaw ludzkiego wnioskowania doprowadziły do projektowania sztucznych sieci neuronowych, zwanych neurokomputerami. Systemy te składają się z sieci podobnych do neuronów urządzeń przetwarzających, dzięki czemu można prowadzić równoległe obliczenia dla każdego elementu. Sprzężenia między elementami umożliwiają systemowi nabycie zdolności do uczenia się. Uzyskuje się to poprzez zmianę siły połączeń między poszczególnymi elementami. Sieć, inaczej niż w tradycyjnych systemach sztucznej inteligencji, działa równocześnie jako pamięć i procesor.

Najbardziej ogólne modele neuronowe zakładają kompletność wzajemnych połączeń między wszystkimi neuronami i rozwiązują przypadki niezwiązanych neuronów (i, j) poprzez określenie siły połączeń Tij = 0. Dla każdego modelu neuronowego konieczne jest określenie minimalnej liczby parametrów systemu:

1) liczby wiązek neuronowych, 2) synchronizacji systemu, 3) symetrii wzajemnych połączeń, 4) stosowanej struktury sprzężeń zwrotnych, 5) transferu (czyli funkcji aktywacyjnej) wiążącego wejście z wyjściem, 6) strategii uczenia się.

Struktura prostej (3-elementowej) sieci neuronowej jest przedstawiona na rycinie 2. Operacje w sieci mogą być synchroniczne lub asynchroniczne. Synchroniczne są kontrolowane przez sekwencyjny cykl zegarowy, asynchroniczne zaś - przez natychmiastowe odpowiedzi, ograniczane jedynie czasem reakcji układów RC. Ponieważ większość sieci neuronowych jest symulowana obecnie w maszynach cyfrowych, są one z definicji synchroniczne.

Sieci neuronowe przezwyciężają ograniczenia modeli regresji liniowej, gdyż potrafią reprodukować nieregularne decyzje z nieliniowo powiązanych wzorców pomiarowych. Unikają one również nieelastyczności właściwych dla wielokryteriowych drzew decyzyjnych opartych na prostych przełącznikach punktowych, umożliwiając podejmowanie decyzji przy wartościach należących również do marginesu między kryteriami diagnostycznymi⁷. Mogą one jednak nie zawsze znaleźć zastosowanie dla rzeczywistych danych, szczególnie zawierających wzorce konfliktowe. W takich sytuacjach dane rzeczywiste powinny być modyfikowane przez usuwanie niespójnych zestawów danych. Innym wspólnym problemem obserwowanym podczas działań na danych rzeczywistych jest to, że sieć może uczyć się" niesekwencyjnych wzorców lub też wzorców bardziej uogólnionych. Mogą stąd wynikać błędy interpretacyjne przy stosowaniu sieci neuronowej do nowych danych.

Ryc. 2. Wyjście z neuronu n jest generowane przez pomnożenie sumy napięć wejściowych ważonych przez wagę synaps lub silę połączenia T pomiędzy neuronem a oraz neuronem b przez logarytmiczną funkcję transformacji.

ALGORYTMY GENETYCZNE

Są to matematyczne modele, które starają się naśladować mechanizmy biologiczne i ewolucyjne stworzone w celu rozwiązywania określonych problemów. Opracowano odpowiednie metody obliczeniowe do naśladowania rekombinacji kodów genetycznych, po czym zastosowano procedury selekcji podobne do selekcji naturalnej. Najtrudniejszym krokiem jest tu generowanie kodu genetycznego", reprezentującego tekstowe segmenty programu komputerowego napisanego w języku Fortran czy w języku C. Umożliwia to tworzenie tzw. strumieni reguł (ang. rule strings) kodu binarnego, który może być łączony z innymi strumieniami reguł. Następnie można testować otrzymany produkt i tworzyć nowe warianty, aż do osiągnięcia ostatecznej optymalizacji. Algorytmy genetyczne zostały wykorzystane w wielu systemach ekspertowych, np. do kontrolowania systemów gazociągów, sieci komunikacyjnych czy projektowania silników lotniczych⁸. Jednak dotychczas nie były one stosowane w medycynie perinatalnej.

OBSZARY EKSPERTYZY

KOMPUTEROWE WYKRESY WZROSTU PŁODU

Ocena wzrostu płodu jest zwykle przeprowadzana na podstawie badania ultrasonograficznego indywidualnych parametrów wzrostu, takich jak obwód brzucha płodu (FAC - fetal abdominal circumference), wymiar dwuciemieniowy (BPD -biparietal diameter), obwód główki (HC - head circumferences) i długość kości udowej (FL - femur length), które mogą być wykreślane na wykresach wzrostu. Od dawna wiadomo, że wielkość płodu jest ściśle związana z zespołem cech charakteryzujących matkę. Dotychczasowe próby uwzględnienia tych cech polegały na utworzeniu złożonych tablic lub wzorów trudnych do stosowania w codziennej praktyce klinicznej. Opracowano specjalne programy komputerowe do generowania wykresów wzrostu przedurodzeniowego na podstawie masy płodu i odległości pomiędzy spojeniem łonowym a dnem macicy, dostosowywanych do wzrostu matki, jej masy ciała, liczby porodów, grupy etnicznej i płci płodu⁹. System pracuje na komputerach PC w środowisku Windows lub DOS. System wnioskujący opiera się na wzorach zaczerpniętych z analizy regresji wielu zmiennych. Na przykładzie retrospektywnego studium ponad 300 ciąż zademonstrowano, iż ocena ta znacząco zmniejsza częstość fałszywie dodatnich ultrasonograficznych rozpoznań opóźnionego rozwoju płodu¹⁰.

KOMPUTEROWE ANALIZY RÓWNOWAGI KWASOWO-ZASADOWEJ PŁODU

Autorzy niniejszego artykułu opracowali ostatnio system ekspertowy do interpretacji wyników badań parametrów równowagi kwasowo-zasadowej w próbkach krwi pobranych ze skóry główki płodu. System ten składa się z transformacji logarytmicznej, wstecznej propagacji sieci neuronowych oraz algorytmów decyzyjnych. Eliminuje on błędne wyniki wykraczające poza możliwy do akceptacji zakres oraz ocenia fizjologiczną spójność miar, a następnie określa, czy występuje stan kwasicy i ewentualnie do jakiej postaci on należy. System ten zaprezentowano na rycinie 3.

Po przeprowadzeniu analiz bazy danych, obejmującej ponad 2000 badań krwi płodu, nie stwierdzono błędów w interpretacji systemu, a przypadki graniczne plasujące się pomiędzy kategoriami diagnostycznymi były konfrontowane klinicznie.

KOMPUTEROWA INTERPRETACJA ZAPISU KTG

Problemem w czasie elektronicznego monitorowania płodu jest zmienność ludzkiej interpretacji. Zasugerowało to celowość opracowania systemów skomputeryzowanej interpretacji KTG. Istnieje już wiele systemów monitorowania przedporodowego¹¹, jednakże żaden nie jest w stanie pokonać trudności, które są związane z warunkami panującymi podczas akcji porodowej. Główną trudnością jest tu zdefiniowanie algorytmu dla oszacowania bazowego. Po uzyskaniu wiarygodnego szacunku, identyfikacja akceleracji, deceleracji i ich relacji do czynności skurczowej macicy stanie się łatwa.

Skonstruowano metodę obliczeniową wymagającą bezpośredniego systemu do wykonywania analizy w czasie rzeczywistym. Jako bazę zaproponowano okresową średnią cyklicznego (co 6 minut) badania FHR (częstości serca płodu) po ustąpieniu akceleracji, deceleracji i naturalnych podczas pracy sygnałów szumu. W celu odróżnienia proponowanej konstrukcji od bazowej", stosowanej zwykle przez inne zespoły, wprowadzono określenie linii niskiej częstotliwości (LFL - low frequency line).

Algorytm został oszacowany w porównaniu z ludzką oceną wzrokową. Z elektronicznej bazy danych wybrano 60 zapisów KTG uzyskanych w trakcie akcji porodowej i wysłano je do zagranicznych klinicystów oraz specjalistów akademickich zajmujących się monitorowaniem akcji porodowej. Te same zapisy KTG były również analizowane przez stworzone oprogramowanie komputerowe. Dwunastu ekspertów odesłało zapisy KTG z wypełnionymi kwestionariuszami. Dla prawie 12% zapisów eksperci nie mogli zinterpretować częstości podstawowej z powodu brakujących danych lub zniekształconych przez szumy, podczas gdy program komputerowy wybrał tylko7% takich przypadków. Uzyskano więc dobrą zgodność między oszacowaniami komputerowymi częstości podstawowej a ocenami ekspertów. Korelacja wartości podanych przez ekspertów zawierała się w zakresie od 0, 80 do 0, 98, natomiast korelacja pomiędzy wynikami pracy ekspetów i komputera wynosiła od 0, 85 do 0, 95.

Bogate oprogramowanie umożliwia przeanalizowanie dużej liczby parametrów, w tym identyfikację akceleracji i deceleracji, kształt i powierzchnię deceleracji, jak też krótkoterminową zmienność tętna płodu. Rezultaty pracy programu są obecnie oceniane w odniesieniu do parametrów biochemicznych.

AUTOMATYCZNA ANALIZA RUCHÓW PŁODU I KTG

Konwencjonalne urządzenia do badań KTG tworzą wykres częstości serca płodu, jednakże ruchy płodu są wprowadzane na podstawie subiektywnych odczuć matki. Tu właśnie popełniane są znaczące błędy. Maeda i wsp. ¹² opisali skomputeryzowany system do równoczesnego zapisywania i interpretowania czynności serca płodu, aktywności skurczowej mięśnia macicy i dużych ruchów płodu.

Ryc. 3. Ogólny schemat działania systemu ekspertowego do interpretacji próbek krwi płodowej.

Instrumentacja do KTG jest przystosowana do aktualnie dostępnych w sprzedaży modeli. Ruchy płodu są zapisywane poprzez aktokardiografię, będącą zapisem dopplerowskim dużych ruchów płodu z równoczesnym śledzeniem FHR za pomocą jednej głowicy ultradźwiękowej. System jest tak czuły, że może wykrywać ruchy płodu o amplitudzie 1-2 mm. Odchylenia w zapisie KTG są stopniowane zgodnie z odpowiednią skalą i mogą być opisywane indywidualnie.

KOMPUTEROWE PRZEWIDYWANIE NIEDOTLENIENIA OKOŁOPORODOWEGO

Możliwość prognozowania złego stanu noworodka jest jednym z celów diagnostyki prenatalnej. Rogers i Chang opisali systemy ekspertowe do przewidywania zamartwicy okołoporodowej^{13, 14}. Studium to przeprowadzono na podstawie 10. 000 pojedynczych ciąż Chinek, na podstawie niezależnego Bayesowskiego modelu komputerowego, obejmującego 16 zmiennych klinicznych i nieklinicznych. Zamartwicę zdefiniowano wtedy, gdy noworodek uzyska poniżej 7 punktów w skali Apgar w 5 minucie po prowadzeniu aktywnej resuscytacji lub zostanie przyjęty na oddział intensywnej opieki neonatologicznej. Największą moc w przewidywaniu zamartwicy miało krwawienie występujące w drugim lub trzecim trymestrze oraz podejrzenia opóźnienia wzrostu płodu. Kliniczna skuteczność systemów była oceniana przy zastosowaniu krzywych ROC. Modele działały dobrze w krótkim okresie (obszar pod krzywą = 0, 74), ale traciły stabilność w chwili zastosowania do danych późniejszych.

WNIOSKI

Wielki skok w medycynie perinatalnej w ostatnich 30 latach nastąpił równocześnie z wielkim postępem w technologii komputerowej. Takie aplikacje, jak obrazowanie ultrasonograficzne i bazy informacyjne zostały powszechnie i chętnie zaakceptowane, natomiast systemy wspomagania decyzji klinicznych napotkały znaczący opór.

Jednym z głównych hamulców na drodze wprowadzania ich do praktyki klinicznej jest przekonanie lekarzy o wysokiej skuteczności badań klinicznych, znacznie wyższej niż jest to w rzeczywistości. l tak, na przykład, w przypadkach bólów brzucha dokładność diagnostyczna jest mała podczas pierwszej wizyty pacjentki w szpitalu. Zastosowanie systemu ekspertowego, opisanego przez De Dombala i wsp. w Leeds¹⁵ w 1972 roku, służącego do diagnozowania bólów brzucha zwiększyło dokładność rozpoznań z 45, 6 do 65, 3%.

Już wkrótce systemy ekspertowe znajdą szerokie zastosowanie w nauczaniu, diagnostyce laboratoryjnej i zaawansowanej instrumentacji. Jednak, zanim komputery będą mogły podejmować decyzje kliniczne, niezbędna jest zmiana nastawienia klinicystów do systemów ekspertowych i automatycznych.

powrót do spisu treści

powrót do listy numerów archiwalnych

powrót do strony głównej

Piśmiennictwo

1. Michaelsen RH. Robert H, Michie D, Boulanger A. The technology of expert systems. Byte l 995: 10(4): 303

2. Boden MA. Artificial intelligence and natural man. New York: Basic Books, Inc., 1977; 4 1. McCuilagh P, Nelder JA. Generalized Linear Models. 2nd edn. London: Chapman & Hall 1995

4. Michael RH. Robert H, Michie D, Boulanger A. The technology of expert systems. Byte Hastie TJ. Tibshirani. Generalized additive models: some application. J Am Slat Assoc I987: 82(398): 371-386

5. Hastie TJ. Generalized additive models. In: Chambers S. Hastie TJ. eds. Statistical Models. Undon: Chapman &. Hall 1993: 288-292 6. S-Plus. StatSci Division. 1700 Westlake Avenue North. Suite 500. Seattle. WA 98109 USA

7. Stock A. Rogers MS. Li A, Chang AMZ. Use of neural networks for hypothesis generation in fetal surveillance. Baillieres Clin Obstet Gynaecol 1994; 8(3): 533-547

8. Holland JH. Genetic algorithms. Sci Am 1992; July: 44-50

9. Gardosi J. Mongelli M, Chang A. An adjustable standard for fetal weight gain. Ultrasound Obstet Gynaecol 1995; 6: 168-174

10. Mongelli M. Gardosi J. Customising the fetal growth standard reduces the false positive diagnosis of intrauterine growth retardation. Obstet Gynecol 1996; in press

11. Dawes GS, Redman CWG Antenatal heart rate analysis at the bedside using a micro-processor. In: Kunzel W, ed. Fetal Heart Rate Monitoring. Amsterdam Springer-Verlag

12. Maeda K. Computerised analysis of cardiotocograms and fetal movements. Baillieres Clin Obstet Gynaecol 1990; 4(4): 797-813

13. Rogers MS, Chang AMZ. Perinatal asphysia: development of an 'Independence Bayes' computer prediction model. J Obstet Gynaecol 1989; 10: 26-31

14. Rogers MS. Chang AMZ. Perinatal asphyxia: a Bayesian analysis of prediction and prevention. J Obstet Gynaecol 1991: 11: 34-40

15. deDombal FT, Leaper DJK, Honocks JC, McCann AP Computer-aided diagnosis of acute abdominal pain. BMJ 1972; ii: 9-13.

powrót do spisu treści

powrót do listy numerów archiwalnych

powrót do strony głównej