PAIRS Medical Diagnosis 1.0

Tentang PAIRS Medical Diagnosis

Diagnosis medis adalah subjek yang kompleks dan menderita beberapa jebakan. Meskipun belajar kedokteran adalah ilmu pengetahuan, praktek adalah seni. Kesalahan dapat terjadi dengan biaya yang sangat besar untuk pasien dan keluarga dan dokter mereka. Sistem Dukungan Keputusan Klinis (CDSS) dikembangkan untuk meminimalkan kesalahan. AI-MED dirancang untuk membantu dokter meminimalkan kesalahan dalam praktik mereka. Dalam sebuah penelitian ditemukan bahwa 225.000 pasien meninggal setiap tahun karena kesalahan medis termasuk kesalahan diagnostik (15%) dan efek samping dari obat-obatan (45%). CDSS dibuat wajib digunakan di AS bersama dengan HIS untuk meminimalkan kesalahan ini. Kesalahan diagnostik dilakukan oleh dokter karena beberapa alasan. Psikolog mempelajari ini dan menemukan bahwa fitur yang mengganggu mungkin menjadi salah satu alasannya. Misalnya, orang mungkin berpikir beberapa fitur penting karena hubungannya saat ini dengan beberapa peristiwa tetapi mungkin tidak terlibat dalam proses penyakit atau tidak terkait dengan diagnosis. Penalaran yang sama salahnya mungkin karena bias kognitif atau konfirmasi. Beberapa kesalahan lain mungkin disebabkan oleh penjangkaran atau pembingkaian atau penutupan awal prospek. AI-MED dirancang untuk meminimalkan kesalahan ini dengan mengganggu proses. Proses diagnostik AI-MED mengganggu diagnosis tradisional (dengan tidak mempertimbangkan bias apa pun yang selalu terlibat dalam penalaran manusia) dan karenanya meminimalkan kesalahan.

Kecerdasan buatan (AI) terdiri dari Natural Language Processing (NLP) dan Diagnostic Decision Support (DDS) dan merupakan bagian dari CDSS. Beberapa contoh NLP termasuk pengklasifikasi teks statistik. Namun, istilah klinis jauh kompleks dan biasanya didasarkan pada istilah Latin dan Yunani. Nomenklatur Standar Istilah Medis Terminologi-Klinis (SNOMED-CT) dikembangkan untuk klasifikasi teks. Istilah (lebih dari 300 000) diindeks oleh 9 digit angka untuk deskripsi yang akurat dan pemrosesan otomatis. Algoritma dibangun untuk menggunakan indeks ini untuk interpretasi data pasien yang benar. DDS diterapkan pada data pasien untuk diagnosis. Jaringan kepercayaan probabilistik Bayesian populer dan metode pendekatannya dapat digunakan untuk diagnosis. Asisten Dokter Sistem Referensi Kecerdasan Buatan (PAIRS) dikembangkan dalam garis yang sama. Ini memiliki sekitar 28.000 tautan fitur penyakit untuk sekitar 486 penyakit penyakit penyakit dalam dan 2000 fitur. Fitur PAIRS terdiri dari gejala, tanda atau tes. Ini AI terdiri dari NLP dan DDS. NLP didasarkan pada analisis indeks kata SNOMED-CT. Algoritma ini menghasilkan indeks berbasis kata dari mana sinonim yang mungkin dipilih dan ditampilkan. Pengguna dapat memasukkan data sebagai satu suka dan program mencari sinonim mereka dari daftar fitur. AI-MED menggunakan database PAIRS. NLP yang ramah pengguna memungkinkan seseorang untuk memasukkan data klinis sebagai satu suka. Misalnya, akronim diidentifikasi dengan benar oleh NLP. Setelah data pasien dimasukkan, seseorang dapat menjalankan DDS.

AI-MED menggunakan metode Pendekatan metode Probabilistik Bayesian untuk DDS-nya. Metode ini diterbitkan dalam Journal of Artificial Intelligence Research oleh Tommi Jaakkola dan Michael Jordan pada tahun 1999. Masing-masing fitur PAIRS ditimbang (0,09 hingga 0,99) sesuai dengan dasar patokologis dan kepentingan klinisnya. Keputusan diagnostik dikelompokkan menjadi salah satu dari setiap kelompok untuk: infeksi, neoplasia, autoimun atau lainnya. DDS berjalan pada data pasien untuk memberikan serangkaian kemungkinan diagnosis. AI-MED memberikan data diagnostik terlepas dari bias apa pun. Untuk data pasien tertentu, ia membangun data kasus dari database PAIRS. Data kasus termasuk bobot, insiden penyakit dan faktor kebocoran statistik mereka. DDS dirancang untuk menghitung perkiraan probabilitas suatu penyakit. Perkiraan ini memiliki batas atas dan bawah. Akurasi implementasi algoritma aljabar ini diverifikasi dengan menghasilkan variasi numerik yang konsisten 0,00004 hingga 0,00009 di antara batas. Estimasi probabilistik Bayesian dibuat untuk diagnosis. Akhirnya, satu set penyelidikan disarankan untuk menguji kemungkinan diagnosis. Output dapat disimpan dalam file untuk referensi lebih lanjut.