(Trends in Knowledge Acquisition)

استراتژي‌هاي متداول براي جمع‌آوري داده به صورت زير خلاصه مي‌شوند:

  • ايجاد سيستم‌هاي خبره توسط متخصصان حوزه مربوطه :

هدف جهت‌گيري جديد، حذف تحليلگر (مهندس اطلاعات) از چرخه جمع‌آوري اطلاعات است

تا متخصصان پزشكي خودشان KB را مستقيماً توليد كنند.

  • ارائة (Representation) سطح بالا:

گام تدريجي دوم، نمايش‌هاي داخلي اطلاعات مانند قواعد توليد با نمايش‌هاي خلاصه‌تر در

سطح نظريات مربوط به حوزه پزشكي جايگزين شود.

  • اينترفيس بهتر با كاربر:

در سيستم‌هاي مدرن بكارگيري امكانات كليك، كار را آسان‌تر خواهد كرد.

  • استفاده از زبان طبيعي:

در نهايت اميد است كه با گسترش پردازش زبان طبيعي، ورودي‌هاي متني بدون محدوديت

براي سيستم قابل درك باشد.

براي اينكه ساختن KB پزشكي قابليت بازتوليد داشته باشد. چندين شرط بايد برآورده شود:

  • هدف KB بايد به طور صريح مشخص شود.
  • مؤلفه‌هاي KB بايد به دقت تعريف شود.
  • منابع قابل اعتماد اطلاعات دردسترس باشد.
  • روش‌هايي براي حل تضادها (ناشي از اختلاف موجود بين مراجع مختلف) موجود باشد.
  • ابزار مرور (Reviewing)، آزمون و بهنگام كردن محتويات KB بايد مشخص باشد.

 

10-3-5-1- قابليت بازتوليد (Reproducibility)

اگر KB قابليت بازتوليد داشته باشد گروههاي مختلف افراد صلاحيتدار قادرند در توليد و نگهداري KB همكاري داشته باشند. در عمل KB بايد محتوي توصيفات دقيق واقعيات پزشكي باشد، درصورت عدم وجود قابليت بازتوليد گسترش KB امكان‌پذير نيست.

 

10-3-5-2- منابع طبيعي (Textual Sources)

يك روش جمع‌آوري KB استفاده از متون (Textual Material)به عنوان منبع اطلاعات است. رويكرد جديد به سمت استفاده از منابع متني پزشكي online براي جمع‌آوري اطلاعات است. چون انتظار مي‌رود كه منابع متني بيشتري به صورت الكترونيكي منتشر و دردسترس قرارگيرد.

 

 

 

 

10-3-5-3- مجلات الكترونيكي (Electronic Journals)

خلاصه مقالات online موجود در AIDSLINE, MEDLINE براي ساخت KB پزشكي كافي نيستند. با اين حال سي‌دي‌ها و سايت‌هاي متعددي كه دربردارنده منابع الكترونيكي تمام متن‌اند وجود دارند. كتاب‌هاي مرجع هم رفته‌رفته بصورت الكترونيكي درمي‌آيند.

 

10-3-5-4- تحليل متن آزاد (Free Text Analysis)

گراف‌هاي ادراكي (conceptual graphs) نمايش منطقي متداول زبان هستند كه در چندين پروژة پردازش متون پزشكي استفاده شده‌اند. نمايش قاب مانند (frame like) عبارات پزشكي بصورت زبان واسطه‌اي عمل مي‌كند كه زبان طبيعي و زبان انفورماتيك پزشكي را به هم پيوند مي‌دهد. پيش‌بيني مي‌شود كه در آينده آناليز متني، منبع اطلاعات و داده‌ها براي سيستم‌هاي DSS باشد.

 

10-3-5-5- منطق جستجوي فهرست كتب از پيش ذخيره‌شده

(Restored Bibliographic Search Logic )

يك جنبه از جمع‌آوري اطلاعات كاربرد منطق جستجوي ازپيش ذخيره‌شده به عنوان مكانسيم دستيابي به اطلاعات پزشكي جديد است. اين مكانيسم در يافتن متون مناسب كمك مي‌كند. اين ايده به صورت جزئي براي نگهداري اطلاعات با استفاده از منطق جستجوي MESH توضيح داده شده است.

 

10-3-5-6- نگهداري پايگاه اطلاعات (Knowledge Base Maintenance)

نگهداري KB براي حفظ اعتبار DSS ضروري است. ساختن KB بايد يك فرآيند بازتوليدشونده باشد كه تحت نظارت افراد صلاحيت‌دار عمل كند. اگر ساختن KB برعهده يك فرد يا سازمان باشد، اعتبار آن در بلندمدت به خطر خواهد افتاد.

 

10-3-6- كاربرد پايگاه اطلاعات پزشكي

پيش از آنكه مشاوره خودكار با DSS متداول شود بايد جواب بسياري از پرسشهاي موجود در اين زمينه ارائه شود. اينكه چه مقدار قدرت استدلال و توصيف جزئيات در KB كافي است؟ آيا فقط با مطابقت دادن متون مي‌توان ليستي از نتايج حاصل را براي تصميم‌گيري دقيق‌تر در اختيار پزشك قرارداد؟ يا بايد پايگاه داده‌ها و اطلاعاتي استفاده كرد كه قدرت آن بالاتر از متوسط توانايي پزشكان باشد؟ آيا سيستم‌هاي عملي به صورت خاص منظوره و مربوط به زمينه خاصي باشند يا به صورت عمومي و كلي توليد شوند؟

 

10-3-7- ارزيابي پايگاه اطلاعات پزشكي

(Evaluation of Medical Knowledge Bases )

سيستم‌هاي پشتيباني تصميم نيازمند اعتبارسنجي (Validation)، ارزيابي (Evaluation) و تضمين كيفيت مدام‌اند. بايد اين وجود تاكنون معيارهاي موردقبول مناسب براي اين منظور ايجاد نشده‌اند. البته ارزيابي سيستم براي يكبار كافي نيست اينكار بايد بطور مدام توسط افراد و مؤسسات مختلف و در مناطق مختلف صورت گيرد.

استراتژي ارزيابي مرحله‌اي (Staged Evaluation) سيستم مبتني بر اطلاعات نخست كامل بودن عناصر KB را بررسي مي‌كند. در مرحله بعد كارايي سيستم با بررسي موارد قبلي ملاحظه مي‌شود. ارزيابي دقيق بايد توسط كساني كه در ساختن، نگهداري يا فروش سيستم نقش نداشته‌اند، صورت گيرد. نكته مهم اين است كه بايد بين مشكلات ناشي از KB و مشكلات ناشي از الگوريتم تمايز قائل شد.

ارزيابي DSS بايد در كاربري باليني صورت گيرد. دو KB بايد در مشاوره با DSS لحاظ شوند:   KB سيستم و KB كاربر همچنين هدف ارتقاء عملكرد هردو طرف باشد. اتحاد ماشين و انسان مفيدتر از حالتي است كه آنها ايزوله عمل كنند.

 

10-4- ابزارهاي پيش‌بيني براي پشتيباني تصميم باليني

(Predictive Tools for Clinical Decision Support)

10-4-1- مقدمه

پزشكان همواره بايد در مورد تشخيص بيماري و تجويز درمان تصميم‌گيري كنند. هدف نهايي اين تصميم‌ها پيشرفت وضعيت بيمار است. اما وجود نامعيني در جوانب مختلف تصميم‌گيري در امور باليني را دشوار مي‌كند. اين موضوع هم در مورد تشخيص بيماري و هم در درمان آن بروز مي‌كند. پيش‌بيني برآمد فعاليت‌هاي تشخيص و درمان،‌تصميم‌گيري را هدايت مي‌كند و بهبود بيمار را تسريع مي‌كند. ابزارهاي پشتيباني تصميم بطور سيستماتيك با استفاده از اطلاعات باليني مي‌توانند نقش پيش‌بيني داشته باشند. اين پيش‌بيني‌ها به پزشكان در تصميم‌گيري كمك خواهد كرد. در ادامه مطالب مديريت فرآيند مراقبت باليني با كمك روشهايي كه آينده بيمار را پيش‌بيني مي‌كنند، ‌مطرح خواهدشد. اين روشها در واقع تعميم روشهاي پشتيباني تصميم تشخيصي و درماني هستند كه قبلا مورد بحث قرارگرفته‌اند.

 

10-4-2- توسعه روش‌هاي پيش‌بيني (Development of Predictive Tools)

توسعه ابزارهاي پيش‌بيني معمولا شامل چند گام است:

  • در گام نخست، مسأله باليني و ويژگي‌هاي خاص آن بايد بررسي شود. تصميم‌ها بايد بطور واضح توصيف شوند. اين توصيفات بايد شامل نقش ابزار پشتيباني تصميم باشد.
  • خروجي (Outcome) باليني مطلوبي كه پزشك آن را هدف مركزي تصميم‌گيري قرار داده ، در پيش‌بيني مهم است و بايد مشخص شود.
  • گام سوم تعيين مشخصه‌هاي باليني است كه مي‌توانند به عنوان پيش‌بيني‌كنندة خروجي باليني استفاده شوند. اين مشخصه‌هاي باليني شامل ويژگي‌هاي كاملا متنوعي مي باشد كه به يك مسأله باليني خاص وابسته‌اند. در تومورشناسي (oncology) براي مثال گسترش بيماري به عنوان علامت پيش‌بيني براي زنده ماندن است.
  • ارتباط بين پيش‌بيني‌كننده‌ها و خروجي باليني بايد كمي شود. كمي‌سازي بايد توسط متخصصاني كه اطلاعات باليني مناسبي دارند صورت گيرد. اغلب مجموعه داده‌هايي كه بكار برده مي‌شود عبارت از ركوردهاي بيمار است كه هم مقادير پيش‌بيني‌كننده و هم خروجي‌اند. اين مجموعه داده‌ها يا با روشهاي آماري مانند آناليز رگرسيون تحليل مي‌شوند تا ارتباط كمي پيش‌بيني‌كننده‌ ها و خروجي مشخص شود.
  • در نهايت،‌ ابزار پيش‌بيني بايد به صورت قابل استفاده به پزشكان ارائه شود. استفاده از كامپيوتر براي پياده‌سازي اين ابزار بسيار مفيد است.

براي تضمين قابليت اطمينان و صحت ابزارهاي پيش‌بيني هركدام از مراحل بالا بايد ارزيابي شود. تأثير ابزارهاي پيش‌بيني بر پزشكان و بيماران مشخص شود. اين ارزيابي براي متقاعدكردن كاربران بالقوه در مورد مزاياي ابزارهاي پيش‌بيني حياتي است. در ده‌هاي گذشته، سيستم‌هاي پيش‌بيني بسياري ارائه شده‌اند. اين سيستم‌ها از روشهاي آماري مانند رگرسيون استفاده كرده‌اند. شبكه‌هاي عصبي و روشهاي بازشناخت الگوي بامعلم نيز استفاده شده‌اند. در ادامه در مورد ابزارهاي پشتيباني تصميمي كه كاربرد آنها لزوما نيازمند استفاده از كامپيوتر نيست معرفي مي‌شوند.

 

10-4-3- پشتيباني تصميم با ابزارهاي پيش‌بيني ساده

(Decision Support With Simple Predictive Tools)

ابزارهاي پيش‌بيني ساده براساس روش‌هاي مختلف پايه‌گذاري شده‌اند. نخست ابزارهاي پيش‌بيني مبتني بر تحليل آماري مجموعه داده‌هاي باليني بحث مي‌شوند. پس از آن ابزارهاي پشتيباني تصميمي كه براساس نتايج آناليز تصميم‌اند مطرح مي‌شوند.

 

10-4-3-1- قواعد پيش‌بيني مبتني بر تحليل آماري

(Prediction Rules Based on Statistical Analysis)

استفاده از كامپيوتر براي انجام محاسبات آماري بسيار مفيد است. نتايج تحليل آماري ممكن است به صورت قاعده پيش‌بيني باليني ارائه شود كه استفاده از‌ آن مستلزم كاربرد كامپيوتر نيست. روشهاي آماري مورد اشاره اغلب نوعي رگرسيون هستند. نوع دقيق تحليل رگرسيون به نوع خروجي (Outcome) بستگي دارد. براي خروجي هاي پيوسته مانند فشارخون رگرسيون خطي قابل استفاده است. براي خروجي هاي دوبخشي مانند مرگ و مير رگرسيون منطقي (Logistic Regression) به كار مي‌رود. (جزئيات روشهاي رگرسيون را در كتاب آماري مطالعه كنيد) راهبردهاي كلي براي ارزيابي قواعد پيش‌بيني فرمول‌بندي شده است. اين راهبردها به صورت زيرند:

  • تعريف روشن متغيرهاي پيش‌بيني‌كننده و خروجي ها
  • توصيف صحيح جمعيت بيماران و ايجاد امكان مقايسه اين جمعيت‌ها براي پزشكان
  • توصيف روش‌هاي رياضي به كاررفته
  • دسترسي به نرخ صحت يا خطاي قاعده طبقه‌بندي
  • اثرات كاربرد قاعدة پيش‌بيني روي مراقبت بيمار

فرآيند مدلسازي آماري شامل جوانب زير است:

  • انتخاب متغيرها
  • تخمين ضرايب رگرسيون
  • ارزيابي عملكرد مدل
  • نمايش نتايج مدل

 

10-4-3-1-1- انتخاب متغيرها

انتخاب متغيرهايي كه به عنوان پيش‌بيني‌كننده بكار مي‌روند موضوع پيچيده‌اي در مدلسازي آماري است. در بسياري موارد، تعداد زيادي مشخصه پيش‌بيني‌كننده بيمار دردسترس است (بين 50 تا 200) بكاربردن همه مشخصه‌هاي موجود، در ابزار پيش‌بيني غيرضروري و غيرعملي است. روش مورد استفاده براي انتخاب تعداد محدودي پيش‌بيني‌كننده، انتخاب «تدريجي» (Stepwise) نام دارد. اين روش به طور خودكار متغيرها را براساس مقدار واريانس (يا معيارهايي مانند Log-Likelihood) انتخاب مي‌كند.

 

10-4-3-1-2- تخمين ضرايب رگرسيون

پس از انتخاب پيش‌بيني‌كننده‌ها، ضرايب رگرسيون تعيين مي‌شوند. تخمين صحيح مستلزم دستيابي به داده‌هاي باكيفيت بالاست. همچنين هرچه حجم داده بالا شد نامعيني مقدار ضرايب تخمين زده شده كمتر است و پيش‌بيني دقيق‌تري انجام مي‌شود.

 

10-4-3-1-3- ارزيابي عملكرد مدل

بايد ميزان كارايي مدل آماري به دست آمده مشخص شود. قابليت تمايز مدل براي طبقه‌بندي بيماران يكي از معيارهاي مهم است.

 

10-4-3-1-4- نمايش نتايج مدل

گام نهايي نمايش نتايج، مدل آماري است به نحوي كه پزشكان بتوانند از آن به عنوان ابزار پيش‌بيني استفاده كنند. نحوه استفاده از نتايج مدل بايد بسيار آسان باشد و غير از كاغذ و قلم به چيز ديگري نياز نباشد. اگر تعداد پيش‌بيني‌كننده‌ها محدود باشد و پيش‌بيني‌كننده‌هاي پيوسته بكار نرفته باشند. مي‌توان با استفاده از جدول پيش‌بيني‌هاي متناظر با تركيبات مختلف پيش‌بيني‌كننده‌ها را نشان داد. يك روش ديگر، «چارت نمره»است كه پيش‌بيني‌‌كننده‌ها و مقادير ممكن آنها و نمرات متناظر با هريك ليست مي‌شوند.

 

10-4-3-2- ابزارهاي مبتني بر آناليز تصميم (Tools Based on Decision Analysis)

ابزارهاي پشتيباني تصميم را مي‌توان براساس نتايج آناليز تصميم ايجاد كرد. هدف از آناليز تصميم، پشيباني پزشك و بيمار توسط ملاحظات كمي جوانب مربوط به مسأله تصميم است. كه شامل چندين مرحله است:

  • نخست مسأله باليني بايد در يك درخت تصميم تعريف شود.
  • تخمين‌هاي كمي احتمال‌ها بدست آيند.
  • محاسبات براي تعيين گزينه انتخابي انجام شود.
  • نتايج آناليز بايد به روش مناسب نمايش داده شود.

در ادامه مثالي ارائه مي‌شود.

مثال: پيش‌بيني احتمال حاملگي خودبخود (Spontaneous)در پزشكي باروري         (Fertility Medicine)

يك روش پيش‌بيني ساده در حوزة پزشكي باروري براي پيش‌بيني احتمال بارورشدن خودبخود جفت‌هاي نابارور بكار مي‌رود. پس از انجام آزمايش‌هاي اوليه، مشاوره لازم براي پيش‌بيني‌هاي آتي انجام مي‌گيرد. اگر احتمال آبستن‌شدن طبيعي بالا باشد،‌ درمان احتمالي به عقب مي‌افتد. برعكس اگر نتايج آزمايش‌ها و مشخصه هاي ديگر نامساعد باشد. احتمال آبستن‌شدن طبيعي كم است و افراد بايد از موضوع مطلع شوند. ممكن است همسران تصميم بگيرند كه زندگي خود را بدون بچه ادامه دهند يا از روش‌هاي درمان ناباروري استفاده كنند. بنابراين پيش‌بيني احتمال حاملگي طبيعي در فرآيند تصميم‌گيري مهم است.

خروجي (Outcome) باليني، رخداد حاملگي خودبخودي است. در عمل، دورة زماني يكساله براي پيش‌بيني درنظرگرفته مي‌شود. پيش‌بيني‌كننده‌هاي بالقوه، سوابق و بررسي‌هاي فيزيكي مرد و زن را دربرمي‌گيرند. مقدار پيش‌بيني اين مشخصه‌ها از مجموعه داده‌ها استخراج مي‌شود. اين مجموعه شامل 996 جفت است كه 215 جفت در يك سال آبستن شده‌اند. ارتباط پيش‌بيني‌كننده‌ها و خروجي ها با مدل رگرسيون كمي شده است (شكل 9).

اين مدل براي تخمين احتمال حاملگي خودبخود براي جفت‌هاي مختلف بكار مي‌رود.براي تخمين احتمال حاملگي خودبخودي درطي يك سال، مدل چارت نمره ارائه شده است. متناظر با هر پيش‌بيني‌كننده مقدار عددي در جدول6 آمده است. مقادير نمرات حاصل از هر پيش‌بيني جمع‌شده و حاصل آن انديس حاملگي ناميده مي‌شود. متناظر با هر انديس حاملگي ميزان احتمالي از مدل رگرسيون به دست مي‌آيد. با استفاده از اين روش مي‌توان تصميم‌گيري انجام داد اما مسئوليت آن برعهده همسران قرار مي‌گيرد.