Medicīnas elektroniskās un datorizētās sistēmas DAI520 Doc.I.Markoviča
Klasifikācija pēc informācijas formas
Ekspertu sistēmu medicīnā klasifikācija pēc pielietošanas sfēras
Zināšanas
Zināšanu iedalījums
Zināšanu iegūšanas metodes
Ekspertu atlases metodes
Ekspertu zināšanu iegūšanas metodes
Anketēšana 1. Anketas izveidošana (saturs, forma) 2.Aizpildīšanas instrukcija 3. Vērtējuma kritēriji un intervāli 4. Izziņas
Delfi metodes piemērs
Iterāciju metodes princips
Iespējamās zināšanu iegūšanas problēmas
Zināšanu organizēšana zināšanu bāzēs
Izteikumu patiesuma kritēriji
Izteikumu sakarības
Negācija
Konjunkcija
Disjunkcija
Implikācija
Ekvivalence
Triplets O-A-V
Produkciju likumi
Produkciju likumu veidi pēc zināšanu satura
Produkciju likumu dalījums pēc risināmās problēmas (Problem Solving Paradigm)
Freims var būt
Freima uzbūve
Semantisko tīklu saišu veidi
Semantisko tīklu paplašināšana
Problēmas risināšanas tehnoloģijas (Problem reasoning)
Inference ir process, kuru pielieto ES, lai iegūtu jaunu informāciju no jau zināmas.
Dedukcija (deductio, lat. - loģisks secinājums no vispārīgā uz atsevišķo) Lieto faktus – aksiomas un zināšanas likumu veidā –
Indukcija No atsevišķiem faktiem veido vispārinājumu (from a few to all) Ja objektu kopai X={a,b,c,d....} īpašība P ir patiesa
Abdukcija ir dedukcijas forma, kas dod šķietami ticamu slēdzienu, kura ticamības apstiprināšanai nepieciešami papildus dati Ja
Spriešana pēc analoga veido spriedumu tikai pēc savas pieredzes. Meklē analoģiju starp patreizējo situāciju un situāciju kaut
Euristiskā spriešana (rule of thumb) Meklē visas iespējamās situācijās, kuras sastaptas pieredzē. Tāpēc tā negarantē virzīšanos
1.Modus ponens
MODUS PONENS
MP darbojas ar aksiomām, lai secinātu jaunus faktus.
Tiešā izveduma piemērs
Likumu atlases kārtības kritēriji
Tiešais izvedums sākas ar faktu konstatāciju, kam seko jaunu faktu izvedums lietojot likumus, kuru premisas daļas salīdzina ar
Netiešais s. apgrieztais izvedums
Netiešā izveduma daudzpakāpju procedūra
Mērķu agenda
Tiešā un netiešā izveduma apvienošana
Dēmona likuma piemērs
Ekspertu sistēmas veidošanas dalībnieki
Lietotājs
Nozares eksperti
Zināšanu inženieris
Programmisti
Sistēmas menedžers
Projekta vadītājs
Ekspertu sistēmas projektēšanas etapi
Vispārējās prasības ekspertu sistēmai medicīnā
ES realizācijas iespējamības novērtēšana (J. Durkin, 1998)
ES realizācijas kritēriji
ES realizācijas iespējamības izpēte
Prasības lai realizētu ES
ES realizācijas risks
Sistēmas labumu var vērtēt pēc:
Projekta piedāvājums
Motivācija
INTERNIST
Motivācija
Mērķis:
Zināšanu bāze:
Diagnostikas stratēģija
SKRĪNINGDIAGNOSTIKAS SISTĒMAS UZDEVUMI
SKRĪNINGDIAGNOSTIKAS SISTĒMAS
KARDIOSKRĪN
Galvenās sirds un asinsvadu slimības (SAS)
Struktūra un informācijas plūsmas
Zināšanu bāze
Datu bāze
Lēmuma pieņemšana
KARDIOSCREEN produkciju likumu L piemēri:
Diagnostisko parametru atlases metodes
Loģiskā parametru atlase (n=77) + Ekspertu vērtējumu metode
Parametru DK atbilstoši slimībām
KARDIOSKRIN diskriminantās funkcijas
Rezultāts
Motivācija Motivācija Arteriālā hipertensija sabiedrības veselības pamatproblēma samazina mūža ilgumu pasliktina dzīves
Mērķis
Uzdevumi
Zināšanu bāze 1. etapam
1.etaps
2. etapa zināšanu bāze
Simptomātisko AH diferenciāldiagnostika
Lineārā diskriminantā funkcija
2. etaps 8 diagnostiskie slēdzieni
3.etaps AH variantu diferenciācija
Sarežģītu funkcionējošu sistēmu strukturālie modeļi Veidošanas procedūra
Modeļa izstrādes etapi
AH patoģenēzes modeļa 1.etaps
AH patoģenēzes modeļa 2.etaps
AH patoģenēzes modeļa 3.etaps
Modeļa elementu novērtēšana
 - ir integrāls lielums, kuru veido 5 faktori
Grafa loku novērtējumi
Loku vērtējumus izmanto i un i aprēķiniem.
Integrāls rādītājs  parametru atlasei
 un  aprēķiniem nepieciešams
Topoloģiskā modeļa formalizētā apstrāde
3. etapa zināšanu bāze
Dihotomijas procesa ilustrācija
Sistēmas aprobācijas rezultāti
Terapijas izvēles sistēma “Padoms”
Uzdevums
Kāda ir optimāla terapija ?
Optimāla lēmuma pieņemšanai nepieciešamas
Topoloģiskā modeļa piemērošana terapijas izvēlei
Zināšanu bāze
Apvienotais arteriālās hipertensijas, terapeitisko un blakus efektu topoloģiskais modelis
Pamata virsotnes sākuma stāvoklis
Blakus efektu stāvoklis pirms terapijas
Terapeitisko iedarbību tipi
Terapijas iedarbība uz patoģenēzes modeļa virsotni
Kopējā stāvokļa indekss SI=β1vp + β2vb
Mobils Telemedicīnas Skrīninga Komplekss MTSK
PROBLĒMAS NOSTĀDNE
IESPĒJAMIE RISINĀJUMI
AUTORI PIEDĀVĀ
INFORMĀCIJAS PLŪSMAS
Subjektīvo datu anketa (1)
SUBJEKTĪVO DATU ANKETA (2)
SUBJEKTĪVO DATU ANKETA (3)
SUBJEKTĪVO DATU ANKETA (4)
SUBJEKTĪVO DATU ANKETA (5)
SUBJEKTĪVO DATU ANKETA (6)
SUBJEKTĪVO DATU ANKETA (7)
OBJEKTĪVO DATU PLŪSMA (1)
OBJEKTĪVO DATU PLŪSMA (2)
OBJEKTĪVO DATU PLŪSMA (3)
OBJEKTĪVO DATU PLŪSMA (4)
EPIZODISKĀS INFORMĀCIJAS PLŪSMAS
SECINĀJUMI
LĒMUMA PIEŅEMŠANAS ALGORITMI SKRĪNINGA DATORSISTĒMĀ
Pirmais informācijas avots
Otrais informācijas avots
Informācijas avoti lēmumiem par sistēmu stāvokļiem
Informācijas avoti lēmumiem par riska faktoriem
Lemšanas koki Sirds un asinsvadu sistēma
Lemšanas koki Kaulu-locītavu sistēma
Lemšanas koki Neiroloģiskais stāvoklis
Lemšanas koki Nelabvēlīga iedzimtība
Lemšanas koki Palielināts svars, aptaukošanās
Produkciju likumi Sirds un asinsvadu sistēma
Produkciju likumi Kaulu-locītavu sistēma
Produkciju likumi Neiroloģiskais stāvoklis
Produkciju likumi Nelabvēlīga iedzimtība
Produkciju likumi Palielināts svars, aptaukošanās
Secinājumi
Lemšanas koki
Lēmuma koks (LK)
LK elementi
LK pielietojums operāciju analīzē
LK izdevīgums
3.40M
Категория: МедицинаМедицина

Medicīnas elektroniskās un datorizētās sistēmas DAI 520

1. Medicīnas elektroniskās un datorizētās sistēmas DAI520 Doc.I.Markoviča

2. Klasifikācija pēc informācijas formas

1.
Datorizētās vizuālās informācijas novērtēšanas sistēmas:
•datorizētās rentgena sistēmas
•datortomogrāfija
•ultraskaņu skeneri
•magnētiskās rezonanses tomogrāfi
•datorizētās endoskopiskās iekārtas
•datorizēti ultrastruktūru analizatori
2.
Datorizētās elektrisko signālu novērtēšanas sistēmas:
•digitālie elektrokardiogrāfi
•elektroencefalogrāfijas datorizācija
•reogrāfijas datorizācija
3.
Ekspertu novērtējumu jeb lēmuma pieņemšanas sistēmas:
•skrīningdiagnostikas sistēmas
•diagnostikas un diferenciāldiagnostikas sistēmas
•optimizētas terapijas izvēles datorizētas sistēmas
•prognostiskās sistēmas

3. Ekspertu sistēmu medicīnā klasifikācija pēc pielietošanas sfēras

1. Diagnostikas sistēmas
2. Terapijas izvēles sistēmas
3. Monitoringa sistēmas
4. Prognostiskās sistēmas
5. Uzskaites un darba optimizācijas sistēmas

4. Zināšanas

1. Definīcija
2. Zināšanu veidi
2.1. Zināšanu veidi pēc satura
2.2. Zināšanu veidi pēc formas
3. Zināšanu iegūšana no ekspertiem

5.

„ Zināšanas ir adekvāts īstenības procesu,
lietu un parādību atspoguļojums priekšstatos,
spriedumos, jēdzienos un teorijā.
Zināšanas ir nepieciešams priekšnosacījums
mērķtiecīgai darbībai. ”

6. Zināšanu iedalījums

pēc formas
verbālās
neverbālās
pēc satura
deklaratīvās (definīcija)
konstruktīvās (strukturālās)
procedurālās
euristiskās (uz pieredzi balstītās)
meta (saista zināšanu fragmentus)

7. Zināšanu iegūšanas metodes

1. Ekspertu metodes
2. Statistiskās metodes

8. Ekspertu atlases metodes

• Pašnovērtējuma
• Voluntāra metode
• Balsošanas metode
• Drošuma noteikšana

9. Ekspertu zināšanu iegūšanas metodes

I. Individuālās metodes
1.
2.
3.
Anketēšana
Intervija vai aptauja
Ziņojuma metode
II. Kolektīvās metodes
1.
2.
3.
Semināru metode
Konsīlijs
“Prāta vētra” (Brain Storm)
III. Jauktās metodes
1.
2.
Delfi metode
Iterāciju metode

10. Anketēšana 1. Anketas izveidošana (saturs, forma) 2.Aizpildīšanas instrukcija 3. Vērtējuma kritēriji un intervāli 4. Izziņas

materiāli

11. Delfi metodes piemērs

• 1.eksperta vērtējums 1.vērtēšanas pakāpē
Pārējo ekspertu vidējais vērtējums 1. vērt.pakāpē
• 1.eksperta vērtējums 2.vērtēšanas pakāpē
Pārējo ekspertu vidējais vērtējums 2. vērt.pakāpē
• 1.eksperta vērtējums 3.vērtēšanas pakāpē
Pārējo ekspertu vidējais vērtējums 2. vērt.pakāpē
8
1
6
3
4
4

12. Iterāciju metodes princips

E1
V1
V1’
V1’
V1’
E2
V2
V2
V2 ’
V2’’
E3
V3
V3’
V3’’
V4
V4 ’
E4
V1’=V2’’=V3’’=V4’

13. Iespējamās zināšanu iegūšanas problēmas

Nespēja fragmentēt zināšanas
Nespēja dot zināšanas verbālā formā
Neatbilstošas problēmai zināšanas
Nepareizas zināšanas
Atšķirīgas zināšanas

14. Zināšanu organizēšana zināšanu bāzēs

1. Izteikumu loģika
2. Triplets O-A-V
3. Produkciju likumi
4. Freimi
5. Semantiskie tīkli
6. Strukturālie modeļi

15.

Izteikums ir jebkurš apgalvojums
(spriedums, teikums, ziņojums), kas var būt:
• patiess – True
• nepatiess - False

16.

a) Šodien ir 26.aprīlis
b) Slēdzis x momentā t = 0
c) Trijstūra iekšējo leņķu bisektrises krustojas
vienā punktā
d) Benzīnu iegūst no vārāmās sāls
e) Perpetum mobile nav realizējams
f) Mašīna spēj domāt

17. Izteikumu patiesuma kritēriji

1. Laiks
2. Konkrētais mainīgais x
3. Matemātikas u.c. likumi

18. Izteikumu sakarības

1.
2.
3.
4.
5.
6.
7.
Izteikumu negācija
Izteikumu konjunkcija (un)
Izteikumu disjunkcija (vai)
Implikācija
Ekvivalence
Izteikumu līdzvērtība
Salikti izteikumi

19. Negācija

Izsaka sakarību starp izteikumu A un tā
noliegumu Ā.
Izteikums A-auto brauc
Negācija Ā-auto nebrauc
Ja izteikums ir patiess, tad negācija ir
nepatiesa

20. Konjunkcija

• Konjunkcija X•Y jeb X ۸ Ystarp
izteikumiem atbilst loģiskajam saiklim
“un”.
Konjunkcija ir patiesa tikai tad, ja abi
izteikumu A un B ir patiesi

21. Disjunkcija

• Disjunkcija X v Y atbilst saiklim “vai”
neizslēdzošā nozīmē ( ir patiesa arī abu
izteikumu patiesuma gadījumā)

22. Implikācija

• Implikācija X Y

23. Ekvivalence

• Ekvivalence ir patiesa, ja abi izteikumi A un
B reizē ir patiesi vai nepatiesi

24.

A
B
Konjunkcija
A B
un
T
T
F
F
T
F
T
F
T
F
F
F
Izteikumi
Disjunkcija
A B
vai
Implikācija
A B
Ekvivalence
A B
T
T
T
F
T
F
T
T
T
F
F
T

25. Triplets O-A-V

Objekts – Atribūts - Vērtība - Ticamības faktors -1÷+1
• fizikāls
• monovērts
• skaitliska
•abstrakts
• multivērts
• atbilst Bula algebrai
• neskaitliska

26.

Ticamības faktors (Certainty factor) pēc Shortliffe, 1975

27. Produkciju likumi

NOSACĪJUMS
vai
PREMISA
JA . . .
SLĒDZIENS
vai
SECINĀJUMS
vai
IZPILDĪJUMS
TAD . .
.
vienkārši
kombinēti
vienkārši
kombinēti

28. Produkciju likumu veidi pēc zināšanu satura

1.
2.
3.
4.
5.
Attiecību vai sakarību
Rekomendējoši
Komandējoši
Stratēģiski
Loģisku spriedumu

29. Produkciju likumu dalījums pēc risināmās problēmas (Problem Solving Paradigm)

1. Interpretējoši
2. Diagnostikas
3. Plānojošie

30.

Freims - zināšanu fragments mūsu atmiņā
par konkrētu situāciju.
Freimu veido konkrēti elementi (sloti) un to
vērtības.
Minsky, 1975 - freimu teorijas pamatlicējs.

31. Freims var būt

1.
2.
3.
4.
5.
Objekts (telefons, grāmata)
Jēdziens (laime, bēdas )
Lomas (tēvs, māte, satiksmes dalībnieks)
Scenārijs (svētki, lekcija)
Situācija (avārija, streiks)

32. Freima uzbūve

Freima nosaukums
Freima īpašības
Slota nosaukums
Slota nozīme
Hroniskās slimības
<Plaušu slimības>
<Locītavu slimības>
<tuberkuloze, sarkoidoze>
<poliatrīts>
Svētki
<gatavošanās svētkiem>
<ielūgumu nosūtīšana >
<darbu izplānošana>
<ģenerāluzkopšana>
<ēdienu izvēle>
...
<tērpu sagāde>
<svētku noskaņa>
<prieks>
<steiga>
...
<depresija>

33.

spārni
ir
kanārijs
ir
putns
pārvietojas
lido
Zināšanu semantiskā tīkla piemērs par putniem pēc J. Durkin.

34. Semantisko tīklu saišu veidi

1.Klase – elements
2.Vesels – daļa
3.Objekts - īpašība
4.Īpašība - vērtība

35. Semantisko tīklu paplašināšana

• Pievienojot līdzīgu objektu
• Pievienojot konkretizētu objektu
• Pievienojot vispārinātu objektu

36.

spārni
gaiss
ir
elpo
ir
Fredis
Kanārijs
ir
ir
putns
ir
dzīvnieks
pārvietojas
pingvīns
pārvietojas
lido
kājām
Paplašināts semantiskais tīkls par putniem pēc J.Durkin

37. Problēmas risināšanas tehnoloģijas (Problem reasoning)

• Dedukcija
• Indukcija
• Abdukcija
• Pēc analoga
• Euristiska
• Dinamiska

38. Inference ir process, kuru pielieto ES, lai iegūtu jaunu informāciju no jau zināmas.

IInference = lēmuma izvedums = secināšanas
tehnoloģijas (inference technique)

39. Dedukcija (deductio, lat. - loģisks secinājums no vispārīgā uz atsevišķo) Lieto faktus – aksiomas un zināšanas likumu veidā –

Dedukcija
(deductio, lat. loģisks secinājums no vispārīgā uz atsevišķo)
Lieto faktus – aksiomas un zināšanas likumu veidā – implikācijas, lai
iegūtu jaunus faktus
Fakts: es stāvu lietū
Implikācija: stāvēšana lietū izraisa samirkšanu
Fakts: es esmu samirkusi

40. Indukcija No atsevišķiem faktiem veido vispārinājumu (from a few to all) Ja objektu kopai X={a,b,c,d....} īpašība P ir patiesa

priekš a, un, ja P ir patiesa priekš b..., tad P ir patiesa
visai kopai X
Premisa: Pērtiķi Rīgas zoodārzā ed banānus
Premisa: Pērtiķi Berlīnes zoodārzā ēd banānus
Secinājums: Pērtiķi ēd banānus

41. Abdukcija ir dedukcijas forma, kas dod šķietami ticamu slēdzienu, kura ticamības apstiprināšanai nepieciešami papildus dati Ja

B ir patiess un A implicē B, tad A ir patiess(?)
Aksioma: zeme ir slapja
Implikācija: zeme ir slapja, ja līst
Secinājums: līst?

42. Spriešana pēc analoga veido spriedumu tikai pēc savas pieredzes. Meklē analoģiju starp patreizējo situāciju un situāciju kaut

kad savā
pieredzē

43. Euristiskā spriešana (rule of thumb) Meklē visas iespējamās situācijās, kuras sastaptas pieredzē. Tāpēc tā negarantē virzīšanos

pareizā
virzienā.
Lieto situācijās, kad lēmums jāpieņem
ātri

44. 1.Modus ponens

2. Tiešais izvedums
Forward inference
3. Netiešais izvedums
Backward inference
fakti
simptomi
secinājums
diagnoze
secinājuma
hipotēze
diagnozes
hipotēze
fakti
simptomi

45. MODUS PONENS

JA A ir patiess
UN A B ir patiesa
TAD B ir patiess
Definīcija:
MP ir loģikas likums, kas apgalvo, ka, ja mēs zinām,
ka A ir patiess un A implicē B ir patiess, tad varam
secināt, ka arī B ir patiess.

46. MP darbojas ar aksiomām, lai secinātu jaunus faktus.

Aksiomas
1. E1 – patiess
2. E1 E2 patiesa implikācija
3. E2 – patiess - fakts
Aksioma 4. E2 E3 patiesa implikācija
5. E3 – patiess - fakts

47.

Sākuma stāvoklis S0
1.
E1 E2
2.
E2 E3
Stāvoklis S1 - ja konkrēti dati
1.
E1 E2
2.
E2 E3
3.
E1 - t° > 39°
Stāvoklis S2
1.
E1 E2
2.
E2 E3
3.
E1 - t° > 39°
4.
E2 – ir augsta t°
Stāvoklis S3
1.
E1 E2
2.
E2 E3
3.
E1 - t° > 39°
4.
E2 – ir augsta t°
5.
E3 – jāiedzer aspirīns

48. Tiešā izveduma piemērs

ZB likumi
JA sāp kakls UN iespējama infekcija
1. likums TAD ir angīna
2. likums JA t° > 39°
TAD ir drudzis
3. likums JA slimo > 1 mēn. UN ir drudzis
TAD iespējama infekcija
4. likums JA ir drudzis
TAD nevar iet uz tikšanos
5. likums JA nevar iet uz tikšanos
TAD skatās video
Darba atmiņā
t° > 39°
slimo 2 mēn.
sāp kakls
drudzis (2.lik.)
iespējama infekcija (3.lik.)
angīna (1.lik.)

49. Likumu atlases kārtības kritēriji

1.
2.
3.
4.
Likuma kārtas №.
Prioritāte (cik nozīmīgs).
Specifiskums dotajai problēmai.
Likums, kas attiecas uz jaunāko
informāciju, kas nokļūst darba atmiņā.

50. Tiešais izvedums sākas ar faktu konstatāciju, kam seko jaunu faktu izvedums lietojot likumus, kuru premisas daļas salīdzina ar

zināmiem faktiem.
Procesu turpina līdz sasniedz mērķi vai
nav vairāk likumu.

51. Netiešais s. apgrieztais izvedums

Back ward chaining
Definīcija. Netiešais izvedums ir inferences
stratēģija, kas mēģina pierādīt hipotēzi iegūstot
informāciju, kas to apstiprina vai noliedz.

52. Netiešā izveduma daudzpakāpju procedūra

1.
2.
3.
4.
5.
6.
7.
Mērķa izvēle, tā ievietošana darba atmiņā. (goal)
Zināšanu bāzē meklē likumu, kura izpildījuma daļa sakrīt ar
mērķi (mērķa likums)
Mērķa likuma premisu salīdzina ar datiem darba atmiņā
Premisas, kuras darba atmiņā neatrod, kļūst par jauniem
pakārtotiem mērķiem (subgoals)
Pakārtoto mērķu pierādījumus meklē pārējo likumu
nosacījumu daļās.
Procesu beidz, kamēr atrod primitīvu premisu, kura nav
neviena likuma nobeiguma daļā.
Primitīvās premisas esamību pieprasa no sistēmas lietotāja.

53. Mērķu agenda

1.
2.
3.
4.
Mērķu saraksts pēc kārtas Nr.
Mērķu agendu formulē eksperts
User – established goals
Rule – established goals

54.

Tiešais izvedums
Netiešais izvedums
Priekšrocības
Trūkumi
Priekšrocības
Trūkumi
1. Problēmas
risināšanai
savāc faktus,
tad meklē ko
var secināt.
2. No neliela faktu
apjoma var
iegūt jaunu
plašu
informāciju
3. Piemērots
instruments
diagnostikai,
prognozei,
plānošanai,
interpretācijai.
1. Pārbauda visus
likumus,
neatdalot
nozīmīgus no
mazsvarīgiem
2. Pārbauda savā
starpā
nesaistītus
likumus.
1. Der situācijās,
kad formulēta
hipotēze, kas
jāpierāda
2. Spriešanas
laikā visu laiku
fokusējas uz
mērķi
3. Pārbauda tikai
daļu no
zināšanu bāzes,
kas attiecas uz
risināmo
problēmu.
4. Piemērots
instruments
diagnostikai un
tehnisku
defektu
uziešanai
(debugging)
1. Turpina
spriešanu
atbilstoši
agendai, kaut
arī jau to var
pārtraukt

55. Tiešā un netiešā izveduma apvienošana

1. Veido atsevišķas sistēmas ar savu stratēģiju
2. Netiešajā izvedumā ievieto dēmona likumus
(Demon rules)

56. Dēmona likuma piemērs

Demon 1 Tvertnes spiediena problēma
JA strāva izslēgta
UN spiediens tvertnē > 1000 atm.
TAD problēma ar tvertnes spiedienu
Demon 2 Avārijas situācija
JA ir problēma ar tvertnes spiedienu
TAD situācija = avārijas situācija
Demon 3 Evakuācija
JA ir avārijas situācija
TAD rīcība = evakuēt personālu

57. Ekspertu sistēmas veidošanas dalībnieki

• Sistēmas potenciālais lietotājs
• Nozares eksperti
• Zināšanu inženieris
• Programmisti
• Menedžers
• Projekta vadītājs

58. Lietotājs

• Formulē problēmu
• Izvirza savas prasības sistēmas uzdevumiem
• Formulē servisa noteikumus
• Piedalās sistēmas testēšanā
• Piedalās sistēmas novērtēšanā un
uzlabošanā

59. Nozares eksperti

• Jābūt zināšanām un prasmei risināt tās
problēmas, kuras risinās sistēma
• Prasmei izklāstīt savas zināšanas,
komunikabilitāte
• Piedalās visā sistēmas veidošanas procesā
• Pietiekami laiks sistēmas izstrādē
• Ieinteresētība
• Ticamība rezultātam

60. Zināšanu inženieris

• Komunikabilitāte
• Kompetentam ES izstrādē
• Kompetentam programmēšanas valodās
• Pietiekami laikam sistēmas izstrādei
• Menedžmenta iemaņām

61. Programmisti

• Kompetenti programmēšanas valodās
• Spēja nodrošināt servisu sistēmas
potenciālajam lietotājam

62. Sistēmas menedžers

• Jāsaprot sistēmas mērķis un sagaidāmais
rezultāts
• Finanšu nodrošinājums
• Finanšu izlietojums un kontrole
• Mazināt skepticismu par sistēmas
panākumiem

63. Projekta vadītājs

• Visa projekta zinātniskā vadīšana
• Visu projekta etapu plānošana un kontrole
• Projekta rezultātu atskaite
• Prasme vadīt projektu izstrādi

64. Ekspertu sistēmas projektēšanas etapi

1. Problēmas novērtēšana
2. Zināšanu iegūšana
3. Sistēmas projekts
4. Testēšana un novērtējums
5. Dokumentācija
6. Ekspluatācija

65. Vispārējās prasības ekspertu sistēmai medicīnā

1. Sistēmas rezultātiem jābūt pielīdzināmiem ekspertu rezultātam
2. Sistēmas rezultātiem jābūt augstākiem par sistēmas lietotāja
profesionālo kompetenci
3. Sistēmas loģikai jābūt maksimāli tuvinātai ekspertu loģikai
4. Sistēmai jāpaskaidro lēmuma pieņemšana ar loģiskiem pamatojumiem
5. Sistēmas zināšanu bāzei jābūt atvērtai
6. Sistēmai jāstrādā interaktīvā režīmā
7. Darbs ar sistēmu neprasa īpašu lietotāja sagatavotību
8. Jautājumus un slēdzienus sistēma formulē lietotāja valodā

66. ES realizācijas iespējamības novērtēšana (J. Durkin, 1998)

Motivācija
(Lietotāj-problēmas)
Realizācijas iespējamības izpēte
Izmaksu / ieguvumu analīze
Projekta izvēle
Projekta sākuma variants

67. ES realizācijas kritēriji

1. Problēmu risina ar eksperta lēmuma pieņemšanas taktiku
(Human decision making)
2. Izmanto euristiskas zināšanas
(Heuristic knowledge)
3. Lēmumu pieņemšanai izmanto spriešanas procedūru
(Judmental knowledge)
4. Neliela problēmas darbības sfēra
(Small problem)
5. Ir ES veidošanas pieredze dotajā sfērā

68. ES realizācijas iespējamības izpēte

Resursi
Zināšanu avoti
Prasības
Cilvēki
Projekta realizācijas
iespējamība
Problēmas risināšanas
iespējas
Cilvēki
Projekta attīstības
iespējas
Risks

69. Prasības lai realizētu ES

Resursi
datori (Hardware)
programnodrošinājumi (Software)
nauda
Zināšanu avoti
eksperti
nozares pētījumu protokoli
literatūra
Cilvēki
eksperti
zināšanu inženieris
programmētāji

70. ES realizācijas risks

Problēmas risināšanas iespējas
Vērtēšana pēc Slagel and Wick, 1988
Cilvēki
nozares eksperts
zināšanu inženieris
lietotājs
menedžeris

71.

PROBLĒMAS RISINĀŠANAS IESPĒJAS
Vērtējums =
Svars
x Vērtība
Kritērija saturs
Nepieciešamas ekspertu zināšanas
Var definēt spriešanas soļus
Zināšanas dotas simbolu veidā
Euristiskas zināšanas
Problēma ir risināma pēc pieredzes
Eksistē analogas sistēmas
Problēma ir koncentrēta
Problēma nav ļoti sarežģīta
Problēma ir noturīga, stabila
Zināšanas ir mainīgas
Zināšanu nenoteiktība
Iespējami vairāki risinājumi
7
9
7
8
10
8
9
6
7
9
5
6
91
Kopējais
Vērtējums
Kopējais
Svars
Problēmas risināšanas iespējamība = Kopējais vērtējums
Kopējais svars
Problēmu risināšanas iespējamības novērtējuma forma (Slagel and Wick 1988)

72.

Vērtējums =
CILVĒKU IESPĒJAS
Svars
x
Vērtība
Kopējais
Vērtējums
7
9
7
23
Kopējais
Svars
Kritērija saturs
NOZARES EKSPERTS
Spēj formulēt zināšanas
Var veltīt laiku
Komunikabls
Ekspertu iespējamība = Kopējais vērtējums
Kopējais svars
ZINĀŠANU INŽENIERIS
Kopējais
Vērtējums
8
8
9
9
34
Kopējais
Svars
Kopējais
Vērtējums
6
7
7
20
Kopējais
Svars
Kopējais
Vērtējums
9
7
7
6
8
37
Kopējais
Svars
Labas komunikācijas prasmes
Orientējas Software produktos
Programmēšanas prasme
Var veltīt laiku
Zināšanu inženiera iespējamība = Kopējais vērtējums
Kopējais svars
SISTĒMAS LIETOTĀJS
Var veltīt laiku
Uztver situācijas maiņu
Komunikabls
Sistēmas lietotāja iespējamība = Kopējais vērtējums
Kopējais svars
MENEDŽERS
Atbalsta ES projektu
Uztver situācijas maiņu
Optimists
Saprātīgi maina uzskatus
Spriež objektīvi
Menedžera iespējamība = Kopējais vērtējums
Kopējais svars
Cilvēku iespējas novērtējuma forma (Slagel and Wick 1988)

73.

ATTĪSTĪBAS IESPĒJAS
Vērtējums = Svars
7
9
7
9
7
x Vērtība
Kritērija saturs
Sistēmu var viegli ieviest
Viegli ekspluatēt
Nav uz kritikas robežas
Var integrēt ar citām sistēmām
Ir apmācīšanas iespējas
39
Kopējais
Vērtējums
Kopējais
Svars
Zināšanu inženiera iespējamība = Kopējais vērtējums
Kopējais svars
Attīstības iespēju novērtējuma forma (Slagel and Wick 1988)

74.

RĀDĪTĀJS
Problēma
Cilvēki
Attīstība
KOPĒJAIS VĒRTĒJUMS
800
900
300
2000
KOPĒJAIS SVARS
91
114
39
244
PROJEKTA IESPĒJAMĪBA = 2000/244 = 8.19

75. Sistēmas labumu var vērtēt pēc:

1.
Darba produktivitātes uzlabošanas
• labāka lēmuma pieņemšana
• ātrāka lēmuma pieņemšana
• paplašina lēmuma pieņemšanu vairākās lokalizācijās
2. Izmaksu mazināšanas
• mazina laiku, kas nepieciešams darba veikšanai,
• strādā augsti apmaksāta eksperta vietā
• minimizē ražošanas materiālo resursu patēriņu
3.
Kvalitātes uzlabošanas
• uzlabo ražoto produktu kvalitāti
• uzlabo servisa kvalitāti
• nodrošina personāla apmācību
4.
Iestādes tēla uzlabošanas

76. Projekta piedāvājums

1. Objekts
• Ko veiks
• Katrai problēmai viens teikums
2. Apskats
• viedoklis par projektu
• vispārējs problēmas apskats un tā risināšanas iespējas
• atsauces uz iepriekš veikto
• vispārināti izskaidrot kā risinās problēmu
• kāpēc projekts ir nozīmīgs
3. Risināmā problēma
• sīks problēmas apskats
• kādas ir risināšanas problēmas
4. Problēmas risināšana
• ko darīs ES
• kā ES pilnveidos objektu
• projekta nepieciešamie resursi
5. Plāns
• Projekta etapu uzskaitījums
6. Laika grafiks
• projekta galveno etapu izpildes plāns
7. Atskaites laiki
8. Projekta dalībnieki
9. Projekta izmaksas - tāme

77.

ES izklāsta plāns
1.
2.
3.
4.
5.
6.
7.
Sistēmas veidošanas motivācija
Autori, gads
Mērķis
Sistēmas struktūras shēma
Zināšanu un datu bāzes struktūra
Lēmuma pieņemšana
Rezultāti un novērtējums

78.

MYCIN motivācija
1. Praktizējošu ārstu prasība risināt problēmu
2. Ekspertu deficīts problēmas risināšanai
3. Dzīvībai bīstamās situācijās nepieciešama
nekavējoša eksperta konsultācija
4. Laika ierobežojums prasa pieņemt lēmumu ar
ierobežotu vai neprecīzu informāciju
5. Atcerēties piemērotas kombinācijas un
kontrindikācijas lielam skaitam medikamentu ir
izaicinājums ārstam.

79.

MYCIN mērķis
1. Infekcijas slimības diagnostika
– lokalizācija
– kāds mikroorganisms
2. Terapijas izvēle
– efektīva attiecībā pret
mikroorganismu
– minimāli blakus efekti
Produkciju likumu ES “Skolas sols”
Shortliffe, 1976
Stenfordas universitāte

80.

Dg sistēma MYCIN
Lietotājs
Konsultāciju bloks
Pacienta dati vai
darba atmiņa
Triplets O-A-V
Paskaidrojumu
bloks
Jautājumu – atbilžu
bloks
Zināšanu korekciju
bloks
Zināšanu bāze vai
produkciju likumu
bāze

81.

Pacientu datu bāze
Pacienta identifikācijas dati
Simptomi
Izmeklēšanas dati
Objekts – atribūts – nozīme – TF
Audu kultūra no kā izdala mikroorganismu
(asins, krēpas)
Mikroorganisms, ko izdala
forma
spēja mainīt krāsu
izvietojums audu kultūrā
Medikamenti, kurus saņem
iedarbes ilgums – 8 st.
iedarbes spektrs
blakus efekti - vājums

82.

Zināšanu bāze
500 produkciju likumi
JA ...
simptomi
izmeklējumi
diagnoze
TAD ...
infekcijas diagnoze
– lokalizācija
– kas izraisīja
ieteicamā terapija

83.

Lēmuma pieņemšana
Tiešais izvedums
Netiešais izvedums
Meta likumi

84.

MYCIN novērtējums
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
Diagnosticē infekciju slimības
Zināšanas ir produkciju likumu formā
Zināšanas var koriģēt
Lieto vienkāršu secīgu likumu ierosināšanu
Lieto meta likumus
Aptauja realizēta angļu, nevis speciālās programmēšanas valodās
Veido brīvu spriešanu
Atceras aptaujas gaitu
Izskaidrot jautājumu KĀPĒC?
Pamato KĀ iegūts rezultāts
Izskaidro KĀPĒC nav iegūts rezultāts
Piedāvā alternatīvu lēmumu
Sistēma dod REKOMENDĀCIJAS, bet ne direktīvas.

85.

Diagnostikas sistēma
PIP
Masačusetas tehnoloģiskais
institūts

86.

Mērķis
Nieru slimību diagnostika

87.

Struktūra
PACIENTS
Sistēmas
jautājumi
Pacienta
dati
Vadības Programma
(supervisor)
Īslaicīgā atmiņa
jeb
datu bāze
hipotēzes
zināšanas
Ilgtermiņa atmiņa jeb
zināšanu bāze

88.

Zināšanu bāzi veido
70 freimi
(20 slimības)
Diagnozes
hipotēze
h
Simptomi
un to
vērtības

89.

Freima nosaukums - slota nosaukums - slota vērtība
Diagnozes hipotēze - simptoms - simptoma vērtība
Pielonefrīts
ādas nieze
urīna izdalīšanās
slikta dūša
asinsspiediens
sāpes





maz izteikta
palielināts
neatkarīgi no ēšanas
paaugstināts
nieru rajonā

90.

Freimu iedalījums
1. grupa - freimi ar raksturīgām simptomu
kombinācijām
2. grupa - kategoriskie freimi ar simptomiem,
kas raksturīgi tikai un vienīgi dotajai slimībai
3. grupa - apakšfreimi vai papildus freimi saistīti
ar pirmās grupas freimiem ar cēloņu - seku vai
asociatīvām saitēm
4. grupa - freimi ar konkurējošām diagnozēm
(atdala ar diferenciāldiagnostiku)

91.

f1
h1
f2
h2
f3
h3
fk
hk
S1
P1
S2
S3
P2
S10
S11
S12
S21
Sn
P
pacienti
S
simptomi
f
freimi
h
dg hipotēze
Sistēmas PIP funkcionālā shēma
Lēmuma
pieņēmējs
Pieņemtās
diagnozes
hipotēze

92.

Freima atbilstības rādītājs F
F
F1 '
F1 ''
N p1
N
F1 '
F2 ''
2
Pacienta p1 simptomu skaits, kas ietilpst freimā F1
Simptomu skaits, kas veido freimu F1
N F1
Freima F1 veidojošo simptomu skaits
NF
Visu piedalījušos freimu kopējais simptomu
skaits

93.

CasNET/Glaucoma
Causal Associational Network
70 – to gadu sākums
Kulikowsky Sweiss
Rutgeras universitāte

94. Motivācija

1. Praktizējošu ārstu prasība risināt
problēmu
2. Liels glaukomu formu skaits (100)
3. Labi izpētīti slimību mehānismi
4. Pataloģija skar tikai 1 orgānu

95.

Mērķis
Glaukomas diagnostika
Terapijas izvēle

96.

Zināšanu bāze
Semantiskie tīkli 3 slāņos + saite ar terapijas variantiem
I Terapija
Slimību slānis
II Terapija
Klasifikācijas
saites
Patfizioloģiskais
slānis
Asociatīvās
saites
Simptomu slānis
N Terapija
Kauzālās saites

97.

98.

99.

CasNET/Glaukoma funkcionēšanas
algoritms
1. Iegūst simptomus
2. Izvēlas varbūtējos maršrutus no simptoma
līdz slimību slānim, ievērojot kauzālo saišu
ticamību un simptomu asociatīvo svaru
3. Izvēlas maršrutu(us), kas izskaidro visus
simptomus slimību slānī
4. Pēc izvēlētā maršruta nosaka pacienta
diagnozi diagnožu slānī
5. Nosaka izvēlētās slimības pakāpi – risku
6. Atkarībā no slimības pakāpes izvēlas terapiju

100.

Lēmuma pieņemšana
Cj = (H1,...,Hk)
Cj – patfizioloģiskā stāvokļa (PF) ticamība
Hi - asociatīvo saišu svars (starp simptomu un
patfizioloģisko stāvokli)
- maršrutu skaits – ar cik simptomiem saistīts PF
stāvoklis
JA
Cj < 1.sliekšņa lielums – PF noliegts
Cj > 2. sliekšņa lielums – PF apstiprināts

101. INTERNIST

Pitsburgas (ASV)
1974
Pople – informātikas speciālists
Mayer – ārsts internists

102. Motivācija

• novērst sistēmas MYCIN ierobežotās
diagnostikas iespējas
• veidot diagnostikas sistēmu ar plašu
pielietojumu praksē

103. Mērķis:

Interno slimību diferenciāldiagnostika
500 dažādu iekšķīgo slimību diagnostika
pēc
3500 klīniskiem simptomiem

104. Zināšanu bāze:

“Slimību koks” – semantiskais tīkls
Virsotnes – slimības, simptomi (terminālas,
neterminālas
Saites - paveids, daļa no...
asociatīvās – P dj/s
liecina par.., norāda... – P s/dj

105. Diagnostikas stratēģija

1. Pēc pacienta simptomiem formulē slimību
hipotēzes. Vienam pacientam veidojas vairāki
modeļi, kuros ietilpst 4 grupu simptomi
ir pacientam, bet nepieder slimībai
Ir pacientam un pieder slimībai
Ir obligāti, lai diagnoze būtu pareiza
Varētu būt, bet pacientam nav
2.
Formulēto hipotēžu novērtēšana

106. SKRĪNINGDIAGNOSTIKAS SISTĒMAS UZDEVUMI

1. Savlaicīgi atklāt agrīnas slimības
izpausmes
2. Atklāt slimības riska faktorus
3. Rekomendēt pacientam rīcības
programmu
4. Atvieglot profilaktisko apskašu gaitu

107. SKRĪNINGDIAGNOSTIKAS SISTĒMAS

1. Optimizē nepieciešamo datu iegūšanu
(minimizēts parametru skaits, optimizēta
aptauja)
2. Optimizēt datu analīzi
3. Dod varbūtēju diagnozi
4. Rekomendē optimizētas diagnostikas procedūras
varbūtējās diagnozes apstiprināšanai vai
noliegšanai
5. Atklāj slimību riska faktorus
6. Dod individualizētas profilakses programmas

108. KARDIOSKRĪN

1985,Rīga
Z.Markovičs - Rīgas Tehniskā universitāte
K.Vīksna – Latvijas kardioloģijas institūts
J.Umanskis – RTU maģistrants

109.

KARDIOSKRĪN
Motivācija
Latvijā:
55.9% mirušo nāves cēlonis ir
sirds un asinsvadu slimības
Pasaulē:
katru gadu no sirds un asinsvadu
slimībām mirst ap 17 miljoniem
cilvēku.

110.

KARDIOSKRĪN
Uzdevumi
1. Atklāt 6 galvenās sirds un asinsvadu
slimības (SAS)
2. Atklāt galvenos sirds un asinsvadu
slimību riska faktorus

111. Galvenās sirds un asinsvadu slimības (SAS)

1. Sirds išēmiskā slimība (SIS)
2. Arteriālā hipertensija (AH)
3. Dinamiski smadzeņu asinsrites traucējumi
(DSAT)
4. Perifēro asinsvadu bojājumi (PAB)
5. Neirocirkulatora distonija (NCD)
6. Reimatiskas sirds saslimšanas (RS)

112.

RISKA FAKTORI
Neietekmējamie
jeb bioloģiskie:
dzimums
Ietekmējamie,
kas saistīti ar dzīves veidu
smēķēšana
paaugstināts asinsspiediens
vecums
spriedze
palielināta ķermeņa masa
holesterīna līmenis asinīs

113. Struktūra un informācijas plūsmas

Vadības bloks
Zināšanu bāze
Datu bāze
Lietotāja interfeiss
Pacients
Eksperts

114. Zināšanu bāze

• SAS diagnostiskie parametri ar
diagnostiskiem koeficientiem (DK)
• lineārās diskriminantās funkcijas
(LDF)
• LDF sliekšņa lielumi
• produkciju likumu kopa

115. Datu bāze

• Pacienta identifikācijas dati
• Pacienta simptomi
• Sistēmas diagnostiskie slēdzieni par
pacientu

116. Lēmuma pieņemšana

• Lineārās diskriminantās funkcijas
(D=10)
• Produkciju likumi (L= 46) – formulē
slēdzienu un veido aptaujas gaitu

117. KARDIOSCREEN produkciju likumu L piemēri:

L1 JA D1 >= 57.4, TAD A1un K
L2 JA D1< 57.4, TAD B13, ....B40
L5 JA D3 >=49.0, TAD A2 un K
L6 JA D3< 49.0, TAD B46, ....B53

118. Diagnostisko parametru atlases metodes

1. Loģiskās
2. Statistiskās
• varbūtību
• informācijas teorijas
• attēlu atpazīšanas algoritmi

119. Loģiskā parametru atlase (n=77) + Ekspertu vērtējumu metode

SIS – 38
RS – 13
DSAT – 15
AH – 21
NCD - 17
PAB - 19

120.

1. Simptoms ļoti raksturīgs slimībai (patogonoms)
71-99
2. Raksturīgs, palielina slimības varbūtību
51-70
3. Sastop bieži pie konkrētās slimības
31-50
4. Sastop reti, nav raksturīgs slimībai
11-30
5. Indiferents, nenozīmīgs slimības
diagnostikai
0-10

121. Parametru DK atbilstoši slimībām

DK atbilstoši slimībai
Simptoms
SIS AH
01
Sāpes vai nepatīkama sajūta
krūtīs
5,7
02
Žņaudzošas sāpes krūtīs
8,5
04
Sāpes krūtīs parādās kāpjot
kalnā, pa kāpnēm, ātri ejot
9,1
06
Sāpes krūtīs parasti parādās
pie uztraukumiem
21
Pastāvīgi vai dažreiz
paaugstinās AS
73
Sāpes locītavās
DSAT PAB NCD RS
1,6
6,7
6,7
7,4
5,6
8,4
7,0
5,2
5,7
8,0

122. KARDIOSKRIN diskriminantās funkcijas

Līmeņa Nr.
Diskriminantās funkcijas saturs
I
D1(X) = 5,7x1 + 8,5x2 +9,1x4 + 3,2x5 + 7,6x6 +5,7x7 + 3,9x8 + 9,1x9 +
9,5x10 + 4,2x11 + 7,5x12 + 5,3x13 + 8,0x14 + 7,7x15 + 6,8x17 + 6,7x18
II
D2(X) = 6,4x24 + 6,6x26 + 5,2x27 + 4,1x29 + 8,2x32 + 6x33 + 5,7x34 +
7,3x35 + 8,3x36 + 6,1x37 + 8,4x38 + 8,9x39 + 4,7x40 + 8,0x41
D3(X) = D2 + 6,7x42 + 6,3x43 + 7,2x44 + 5,3x45 + 7,7x46
D4(X) = 5,2x24 + 6,5x26 + 7,0x27 + 5,5x29 + 8,6x48 + 7,0x49 + 5,4x50 +
6,7x51 + 7,2x52 +7,1x53 + 6,5x54
D5(X) = 4,6x21 + 4,5x22 + 6,0x23 + 5,8x25 + 5,0x26 + 8,4x27 + 6,7x28 +
5,4x29 + 5,6x31 + 4,5x47 + 7,7x48 + 6,0x49 +7,2x41 + 5,0x52 + 4,6x53
D6(X) = D1 + 4,9x19 + 6,4x21 + 5,2x22 + 5,9x23 + 4,3x24 + 4,4x25 + 5,1x26
+ 5,6x27 + 3,6x29 + 6,2x30 + 9,4x31 + 5,8x47
D7(X) = D4 + 6,1x55 + 6,5x56 + 7,9x57 + 6,5x58 + 6,3x59 + 6,9x60
D8(X) = D5 + 6,5x56 + 6,5x59
D9(X) = 6,7x1 + 6,5x16 + 5,0x21 + 6,3x22 + 7,6x23 + 5,2x47 + 8,9x61 +
7,3x62 + 8,1x63 + 9,2x64 + 8,5x65 + 8,4x66 + 8,2x67
D10(X) = 6,7x1 + 6,7x3 + 7,4x7 + 7,0x8 + 5,9x19 + 7,9x20 + 6,8x23 +
5,7x27 + 5,1x43 + 3,2x44 + 6,8x48 + 4,7x53 + 4,5x58 + 8,4x6 + 7,8x69
III
IV
V
VI
VII

123.

Sākums
nav
x1 x1’
B31
B01
ir
x1 x1’
B02-B06
x35
x2 x3
x2 x3
B07
x35
x38
x9
B36-B37
x9
B08
B32-B35
x38
x40
x11
B38
x39
B39-B40
Līmenis II
L3
x39
PAB
B09
L4
B41-B45
Līmenis III
L5
PAB
ir
D1 57,4
L6
I
K
nav
Līmenis I
L1
B13-B17
D1 57,
4
L2
SIS
K

124.

I
Līmenis IV
L13
B46-B53
L10,
L11,L12,
L14,L15
B54-B57
L9
DSAT, AH
DSAT, AH
L7
DSAT, AH
K
AH
Līmenis V
L13,L24,L28,L32
L21,L22,
L23,L27,
L31,L33,
L37
PAB
?
K
B58-B64
L8
SIS
L21,L27, L33
L16,L19, L34
L25,L29,L35
DSAT, AH
L36
DSAT, AH
SIS
?
L14
L20,L26
DSAT
?
AH
DSAT
Līmenis VI
AH
?
L22,L31
L38
DSAT
?
RS
L39
L40
B65-B66
L42,L44
L15,L23,
L37,L40,
L46
Sirds – asinsvadu
slimība nav atrasta
HSD,AH ?
RS ?
K
Līmenis VII
L41
L43
NCD
AH ?, RS ?
L45
K
K
RS ?

125. Rezultāts

Sistēmas ticamība 92,3 %

126.

Datorizēta diagnostikas
sistēma
“ARHIP”
Z.Markovičs, Rīgas Tehniskā Universitāte
I.Markoviča, Latvijas kardioloģijas
institūts
N.Novožilova, Rīgas Tehniskā
Universitāte
Rīga, 1995

127. Motivācija Motivācija Arteriālā hipertensija sabiedrības veselības pamatproblēma samazina mūža ilgumu pasliktina dzīves

Motivācija
Arteriālā hipertensija
sabiedrības veselības pamatproblēma
samazina mūža ilgumu
pasliktina dzīves kvalitāti
konstatē 10-30% iedzīvotāju
Agrīna diagnostika un adekvāta terapija
samazina mirstību pat par 50%

128. Mērķis

Izveidot datorizētu sistēmu
konsultantu ārstam
diagnosticējot arteriālās hipertensijas
variantus, kas prasa atšķirīgas terapijas

129. Uzdevumi

1. AH slimnieku atlase vai skrīning-diagnostika
2. Orientējoša simptomātiskās AH un hipertoniskās
slimības diferenciāldiagnostika
3. Orientējoša AH variantu diferenciāla
diagnostika

130.

I etaps
AH slimnieku
atlase
II etaps
Simptomātisko AH un
hipertoniskās slimības
diferenciācija
III etaps
AH variantu diferenciācija

131. Zināšanu bāze 1. etapam

• 6 simptomi un to diagnostiskie koeficienti
DK
• Lineārā diskriminantā funkcija
• Minimālais un maksimālais sliekšņa lielums

132. 1.etaps

f1(x)=6x1+6x2+7x3+2x4+2x5+2x6
ja
f1 < 3
f1 ≥ 6
6 > f1 ≥ 3
- AH nav konstatēta
- ir diagnosticēta AH
- lai uzstādītu AH diagnozi, nepieciešami
papildus izmeklējumi.

133. 2. etapa zināšanu bāze

• 11 produkciju likumi, kas formē lēmuma
pieņemšanas koku un pāreju uz nākošo
etapu
• 1 lineārā funkcija
• Lēmuma pieņemšanas koks

134. Simptomātisko AH diferenciāldiagnostika

X7
+
+
X14
+
Feohromocitoma
A2
X9
-
-
X8
-
-
X10
-
Nieru AH
A1
X11
+
Kona
Sindroms
A3
-
X12
+
X13
-
+
Aortas
Koarktācija
A4
+
X15, X16,
X17, X18,
X19
X20
f2<3,0
Esenciālā
AH
A8
Varbūtēja
Hipertizeoze
A6
3,0 ≤ f2<5,0
f2>=5,0
Tireotoksikoze
A7
III līmenis
-
+
+
Aortas
Ateroskleroze
A5
X21
-

135. Lineārā diskriminantā funkcija

f2=2x15+2x16+3x17+3x18+4x19
Ja
- ir tireotoksikoze ar simptomātisku AH
f2 > 5,0
3,0 < f2 ≤ 5,0 - ir varbūtēja hipertireoze
- ir esenciāla AH.
f2 ≤ 3,0

136. 2. etaps 8 diagnostiskie slēdzieni

1.
2.
3.
4.
5.
6.
7.
8.
Varbūtēja nieru AH
Kona sindroms
Feohromocitoma
Aortas (sašaurinājums)
Varbūtēja hipertireoze
Tireotoksikoze
Aortas ateroskleroze
Esenciālā hipertensija.

137. 3.etaps AH variantu diferenciācija

1. Hiperadrenerģiskais – traucēta simpātiskā sirds un
asinsvadu regulācija
2. Renīna – ar pastiprinātu renīna produkciju, kas
asinsvadu tonusu
3. Tilpuma– ar pastiprinātu aldosterona produkciju
4. Struktūras – izmainīta asinsvadu struktūra

138. Sarežģītu funkcionējošu sistēmu strukturālie modeļi Veidošanas procedūra

A līmenis
Zināšanas par slimības
izraisošajiem faktoriem
B līmenis
Zināšanas par fizioloģisko
sistēmu izmaiņām
C līmenis
Zināšanas par slimības
klīniskajām izpausmēm

139. Modeļa izstrādes etapi

1.etapā
2.etapā
3.etapā
13 virsotnes
35 virsotnes
90 virsotnes
32 loki
68 loki
116 loki

140.

Virsotņu tipi:
1.
Ieroses virsotnes - tās ir A līmeņa virsotnes, kas attēlo slimību
izraisošos vai veicinošos faktorus. Tās ir sākums cēloņu - seku ķēdēm
līdz klīniskajiem simptomiem, bet pašām nav ieejošo loku.
2.
Koda virsotnes B līmenī attēlo slimības būtiskākās izpausmes un ir A
līmeņa virsotņu tiešas iedarbības sekas. Koda virsotnes ir saistītas ar
pārējām B un C līmeņu virsotnēm.
3.
Pamata virsotnes ir B un C līmeņos ar ieejošiem un izejošiem lokiem.
Tātad šāda virsotne x1 vienlaicīgi ir augstāk stāvošas virsotnes x0 sekas
un zemākstāvošas virsotnes x2 parādīšanās cēlonis.
4.
Terminālās virsotnes - virsotnes C līmenī, no kurām neiziet cēloņu seku saite, respektīvi, tās vairs nav cēlonis jaunām virsotnēm.

141. AH patoģenēzes modeļa 1.etaps

A līmenis
B līmenis
C līmenis

142. AH patoģenēzes modeļa 2.etaps

A līmenis
B līmenis
C līmenis

143. AH patoģenēzes modeļa 3.etaps

144. Modeļa elementu novērtēšana

• Virsotnes pēc noteikšanas apstākļiem
• Loku novērtēšana pēc to patoģenētiskā
svarīguma (ciešuma) I
• AH katra varianta koda virsotņu noteikšana

145.  - ir integrāls lielums, kuru veido 5 faktori

- ir integrāls lielums, kuru veido 5
faktori
a1 - iespēja vispār noteikt simptomu
a2 - laiks, ko patērē, lai iegūtu simptomu
a3 - simptoma iegūšanas izmaksas
a4 - simptoma objektivitāte
a5 - pacientu traumatizējošais faktors, kas
saistās ar simptoma iegūšanu
i
aprēķiniem izmanto ekspertu virsotņu vērtējumus

146. Grafa loku novērtējumi

Grafa lokiem var piešķirt kvantitatīvus lielumus - loku svarus
I xi / xi 1 . Loku svars rāda, kādu informācijas daudzumu par
parametru xi var iegūt, ja mēra parametru xi 1 .
Loks grafā no virsotnes xi uz virsotni xi 1 norāda, ka
patoloģiskais process virsotnē xi izsauc vai iespaido
patoloģisko procesu (parametru) virsotnē xi 1 .
Loka svars izsaka šī iespaida lielumu.

147. Loku vērtējumus izmanto i un i aprēķiniem.

Loku vērtējumus izmanto i un i
aprēķiniem.
- informativitātes rādītājs rāda, kādā mēra
diagnostikas parametrs atspoguļo slimības koda
virsotnes izmaiņu
- atšķiršanas spēja raksturo diagnostikas parametra
saistību ar diferencējamo slimību kodu virsotnēm

148. Integrāls rādītājs  parametru atlasei

Integrāls rādītājs parametru atlasei
i = *i + *i + *i, kur
*i
*i
*i
- normēts virsotnes vērtējums pēc virsotnes noteikšanas
apstākļiem
- normēts virsotnes informativitātes rādītājs
- normēts virsotnes atšķiršanas spējas rādītājs

149.  un  aprēķiniem nepieciešams

un aprēķiniem nepieciešams
• loku vērtējumi
• definēt slimības koda virsotnes
• noteikt attālumu ρ starp simptomu un koda
virsotnēm

150. Topoloģiskā modeļa formalizētā apstrāde

1. apzīmējums. Grafā G ar virsotņu kopu X un loku kopu Q virsotne xl X
ir sasniedzama no virsotnes xo X, ja eksistē kaut vai viens orientēts
maršruts P xo , xl no virsotnes x0 līdz virsotnei xl.
2. apzīmējums. Par maršrutu P xo , xl grafā G no x0 uz xl sauc virsotņu x X
un loku q Q galīgu secību P xo , xl xo , q1, x1, q2 ,..., ql , xl . Virsotni x0 , kas
apzīmē kādu no koda virsotnēm, sauc par maršruta sākuma virsotni.
Virsotni xl , kas apzīmē simptomu, sauc par maršruta beigu virsotni.
3. apzīmējums. Maršrutu grafā, kam x0 = xl, sauc par ciklu.
4. apzīmējums. Visu maršrutu kopu ar sākuma virsotni x0, kas pieder
slimības koda virsotnēm xo d æ un savieno x0 ar citām grafa virsotnēm,
sauc par koda virsotnes sasniedzamības komponenti P xo , 2. attēls. Tātad P xo
norāda visus tos patoģenētiskos procesus, ko var iespaidot koda virsotne xo .
5. apzīmējums. Visu maršrutu kopu no apskatāmo slimību koda virsotnēm
ar beigu virsotni xl sauc par virsotnes xl atkarības komponentiU xl , 3.
attēls. Tātad U xl norāda visas tās slimību koda virsotnes un atbilstošos
procesus, kas var iespaidot virsotni xl.
Koda virsotnes sasniedzamības komponentes P xo un sindroma grafā L xo
atrašanai izstrādāts formāls algoritms [3.1].

151.

2.attēls.
Sasniedzamības komponente P xo
3.attēls.
Atkarības komponente U xl

152. 3. etapa zināšanu bāze

• Strukturālie modeļi
• Atlasītie parametri (40 no sākotnējiem 113)
• attēlu atpazīšanas algoritms pēc Žuravļova
• Lēmuma pieņemšanas dihotomijas varianti

153. Dihotomijas procesa ilustrācija

PM1
PM2
PM3
PM4
1. etaps
PM1
PM2
PM3
PM4
2. etaps
PM1
PM2
PM3
PM4

154. Sistēmas aprobācijas rezultāti

2. etapā diferencējot simptomātiskās AH, pareizu diagnostisko slēdzienu skaits ir
86,5%.
3. etapā –
diferencējot AH klīniskos variantus, pareizu diagnostisku slēdzienu skaits ir
89,2%.
Jāatzīmē, ka arī specializētos centros AH variantu
diferenciācija nav viegls uzdevums.

155. Terapijas izvēles sistēma “Padoms”

Z. Markovičs, Rīgas Tehniskā universitāte
I.Markoviča, Latvijas Kardioloģijas institūts
J. Makarovs, RTU maģistrants
Rīga, 1998.g.

156. Uzdevums

Optimizētās terapijas izvēle
AH variantam
Konsultants ārstam

157. Kāda ir optimāla terapija ?

• maksimāli mazina slimības izraisītās organisma
funkciju pārmaiņas
• izraisa minimālas blakus parādības
• neiespaido pavadošās slimības

158. Optimāla lēmuma pieņemšanai nepieciešamas

• zināšanas par slimības attīstību
• zināšanas par terapijas iedarbības mehānismiem
• zināšanas par terapijas blakus parādībām
• pacientā stāvokļa novērtējums uzsākot terapiju
• stāvokļa novērtējums, kuru vēlas sasniegt
• lēmuma pieņemšana daudzkriteriālā telpā

159. Topoloģiskā modeļa piemērošana terapijas izvēlei

1) Modeli ar virsotņu kopu X { X i }, i 1,..., n papildina ar ārējo
iedarbību kopu T {Tt }, t 1,..., h .
2) Medikamenta daudzuma ievērtēšanai pieņemtas dažas diskrētas
vērtības: Tt 1,0 , ja lieto praksē izstrādāto t.s. terapeitisko devu, Tt 0,5
- ja lieto pusi terapeitiskās devas un Tt 0,25 - ja lieto ceturtdaļdevu.
3) Modeli papildina ar virsotņu kopu Y { yl }, l 1,..., m , kas attēlo
medikamentu izraisītās nevēlamās blakus parādības.
4) Patoģenēzes grafa virsotnēm xl atmet virsotņu svarus i , kas kalpoja
diagnostikā. To vietā virsotnēm jāatrod jauns svars i0 , kas attēlo
izmainītās funkcijas pašreizējo funkcionēšanas līmeni diapazonā 0÷1,
ja ar 1 apzīmē normālu līmeni.
5) Par blakņu (virsotņu yl) sākuma vērtībām pieņem l0 1 , kas nozīmē,
ka attiecīgā funkcija atrodas normālā stāvoklī.
6) Modificētajam grafam jānomaina arī loku svari.

160. Zināšanu bāze

• AH varianta strukturālais modelis
• medikamentu iedarbības modeļi
• blakus parādību veidošanās modeļi

161. Apvienotais arteriālās hipertensijas, terapeitisko un blakus efektu topoloģiskais modelis

Y2
Y2
TA
TR
Y4
Y3
Y5
Y6
X1
Y6
0,4
Y8
0,2
Y7
0,2
X2
0,8
X5
0,2
Y8
0,9
0,8
0,2
X8
0,4
X6
0,1
X4
0,1
0,4
X9
X7
X3
TK
X12
0,6
0,9
X13
1,0
X14
0,8
0,6
0,8
X10
0,8
X11
Y1
X15
0,6
X16
0,9
X17
0,8
X18

162. Pamata virsotnes sākuma stāvoklis

j = 0 1,0
j = 1
-
j-virsotne funkcionē bez pārmaiņām (norma)
j = 0
-
j-virsotne nefunkcionē
Terapijas rezultātā
j 1,0

163. Blakus efektu stāvoklis pirms terapijas

ß l = 0 1,0
ß l = 1
-
nav šī blakus efekta, funkcija nav izmainīta
ß l = 0,8
-
blakus efekts nedaudz izteikts
ß l = 0,2
-
blakus efekts izteikts ļoti stipri
Terapijas rezultātā
ß j 1

164. Terapeitisko iedarbību tipi

• ārējā iedarbība parasta virsotne
• ārējā iedarbība virsotne ar pārregulēšanos
• ārējā iedarbība blakusparādība

165. Terapijas iedarbība uz patoģenēzes modeļa virsotni

j
Io
TK
Dots oj
Jāaprēķina bj
(1)
bj = k ∙ Tkap + j , kur
bj – virsotnes stāvoklis pēc terapijas
k – proporcionalitātes koeficients
Tk – terapijas deva
j – virsotnes sākuma stāvoklis
k vienāds ar loka svaru
bj =?

166. Kopējā stāvokļa indekss SI=β1vp + β2vb

SI - sistēmas kopējā stāvokļa indekss
β1- pamatvirsotņu svarīguma koeficients
β1= 0,6
β2 - blakus parādību svarīguma koeficients
β2 = 0,4
vp - pamatvirsotņu kopējais beigu stāvoklis
vb - blakusparādību kopējais beigu stāvoklis

167.

Vp Vp p
, kur
Vp - pamatvirsotņu vidējais izejas stāvoklis
(summē visas un dala ar virsotņu skaitu)
p - vidējās pamatvirsotņu stāvokļa izmaiņas
V V , kur
b b
b
V -blakusparādību vidējais izejas stāvoklis
b
- vidējās blakusparādību stāvokļa izmaiņas
b

168.

Varbūtējais –
ņem vērā gan terapeitisko
iedarbību, gan blakus
parādību varbūtības
Determinētais – pastāv gan visas terapeitiskās
iedarbes, gan visas blakus
parādības
Pesimistiskais – terapeitiskās iedarbības ar
varbūtību, blakus parādības ir
obligātas

169. Mobils Telemedicīnas Skrīninga Komplekss MTSK

170. PROBLĒMAS NOSTĀDNE

• Pasaules Veselības Organizācijas (PVO) dati rāda, ka mirstība no
sirds asinsvadu sistēmas slimībām Latvijā vecuma grupā no 0 - 64
gadiem ir 4 reizes augstāka nekā vidēji ES-ā.
• Latvijā mirstība eksponenciāli pieaug jau no 35 gadu vecuma, pie
kam vīriešiem 2-3 vairāk nekā sievietēm tajās pašās vecuma
grupās.
• Mirstība no ļaundabīgajiem audzējiem pēdējo desmit gadu laikā ir
pieaugusi par 17% un saslimstības rādītāji par 29%.
• Salīdzinot ar ES saslimstības rādītāji Latvijā ir zemāki, bet mirstības
rādītāji – augstāki. Tas liecina par novēlotu diagnostiku.
• Latvijā apmēram 60% no ļaundabīgajiem audzējiem tiek
diagnosticēti tikai III un IV stadijā!
170

171. IESPĒJAMIE RISINĀJUMI

• Bezmaksas profilaktiskās apskates.
• Kopš 2009. gada Latvijā pastāv valsts organizēta un apmaksāta
vēža savlaicīgas atklāšanas programma.
• Ekonomiskās krīzes apstākļos saskaņā ar Ministru kabineta
rīkojumu Nr. 509 no 2009.gada 1.septembra (Veselības ministre B.
Rozentāle) tika slēgti visi bezmaksas Sirds veselības kabineti.
• Veselības ministrija ir izstrādājusi „Sirds un asinsvadu veselības
uzlabošanas rīcības plānu 2013. - 2015.gadam”, kura ieviešana
samazinātu saslimstību un mirstību no sirds asinsvadu slimībām.
• Profilaktisko apskašu realizācija ar modernām informācijas
tehnoloģijām.
• E-medicīna.
• Telemedicīnas iespējas.
• Ekspertu sistēmas.
171

172. AUTORI PIEDĀVĀ

Mobīlu Telemedicīnas Skrīninga Kompleksu
(MTSK)
ERAF Projekta Nr:2011/0007/2DP/2.1.1.1.0/10/APIA/VIAA/008 Mobīls telemedicīnas
skrīninga komplekss. RTU Projektu vadības sistēmas identifikators: 1568
MTSK mērķi:
Atklāt agrīnas novirzes pacienta veselības stāvoklī, kamēr nejūt diskomfortu;
Norādīt turpmākās darbības, lai padziļināti precizētu tās vai citas organisma
apakšsistēmas stāvokļa novirzes;
Atklāt iespējamos riska faktorus;
Piedāvāt rekomendācijas riska faktoru mazināšanai;
Veidot datu bāzi, lai varētu novērot pacienta veselības stāvokli dinamikā.
172

173. INFORMĀCIJAS PLŪSMAS

• Subjektīvo datu plūsma, ko nodrošina aptaujas
anketa
• Objektīvo datu plūsma, ko nodrošina 14
mērmoduļi
• Epizodiskas datu plūsmas
173

174. Subjektīvo datu anketa (1)

174

175. SUBJEKTĪVO DATU ANKETA (2)

Anketas sadaļas:
1. Pacienta identifikācijas dati
2. H – jautājumu kopa, kas ļauj iegūt informāciju par
pacienta hroniskām slimībām
3. P – jautājumu kopa, kas ļauj iegūt informāciju par
pacienta veselības pārbaudēm
4. S – jautājumu kopa, kas ļauj iegūt pacienta
subjektīvo vērtējumu par 12 organisma sistēmām
5. R – jautājumu kopa, kas ļauj iegūt informāciju par 7
riska faktoriem
175

176. SUBJEKTĪVO DATU ANKETA (3)

S sadaļā ietverto sistēmu uzskaitījums:
S1 - sirds un asinsvadu sistēma
S2 – elpošanas sistēma
S3 – nieru un urīnceļu sistēma
S4 – iespējamie jaunveidojumi
S5 – kaulu un locītavu sistēma
S6 – endokrīnā sistēma
S7 – redze
S8 – dzirde
S9 – gremošanas sistēma
S10 – neiroloģiskais stāvoklis
S11 – garīgais līdzsvars
S12 – reproduktīvā sistēma
176

177. SUBJEKTĪVO DATU ANKETA (4)

S1. Sirds un asinsvadu sistēma
S1.1
S1.2
S1.3
S1.4
S1.5
S1.6
S1.7
S1.8
S1.9
S1.10
S1.11
S1.12
Vai Jums mēdz būt sāpes vai nepatīkama, dedzinoša, spiedoša sajūta aiz krūšu
kaula pie fiziskas slodzes?
Vai Jums mēdz būt sāpes vai nepatīkamā sajūta aiz krūšu kaula miera stāvoklī?
Vai sāpes (nepatīkamā sajūta) aiz krūšu kaula pāriet apstājoties vai ieņemot
nitroglicerīnu?
Vai sāpes (nepatīkama sajūta) aiz krūšu kaula izzūd pēc 10 minūtēm un ātrāk?
Vai sāpes izstaro uz kreiso roku, kaklu vai kreiso lāpstiņu?
Vai Jums rodas sāpes apakšstilbos un/vai pēdās kāpjot pa kāpnēm, kalnā,
steidzoties?
Vai apstājoties vai ejot lēnāk sāpes apakšstilbos un/vai pēdās izzūd?
Vai pie nelielas fiziskas slodzes jūtat izteiktu elpas trūkumu?
Vai pēc fiziskas slodzes jūtat izteiktu nogurumu?
Vai Jums pietūkst kājas dienas beigās vēsā laikā ?
Vai kādreiz esat jutis/-usi, ka sirdsdarbība ir neritmiska (kūleņo, pār-sitieni,
“apstājas”) vai lēkmjveidīgi ir paātrināta vai palēnināta?
Vai Jums ir paplašinātas kāju vēnas?
jā nē  *
*pāriet uz S1.6.
jā nē  *
*pāriet uz S1.6.
jā nē 
jā nē 
jā nē 
jā nē  *
* pāriet uz S1.8
jā  nē 
nevaru
pateikt 
jā  nē 
jā  nē 
jā  nē 
jā  nē 
jā  nē177

178. SUBJEKTĪVO DATU ANKETA (5)

S5. Kaulu un locītavu sistēma
S5.1
Vai Jums ir sāpes mugurkaula kakla, krūšu, jostas un krustu rajonā?
jā nē 
S5.2
S5.3
S5.4
S5.5
S5.6
Vai Jums ir sāpes pie fiziskas slodzes gurnu un ceļu locītavās?
Vai Jums ir sāpes plaukstu un pēdu locītavās?
Vai Jums ir rīta stīvums locītavās, kas pāriet pēc iekustēšanās?
Vai Jums ir locītavu deformācijas?
Vai Jums ir bijušas mugurkaula vai locītavu traumas, operācijas?
jā nē 
jā nē 
jā nē 
jā nē 
jā nē 
178

179. SUBJEKTĪVO DATU ANKETA (6)

Anketas R sadaļā uzzināmie riska faktori:
R1 – nelabvēlīga iedzimtība
R2 – smēķēšana
R3 – zema fiziska aktivitāte
R4 – paaugstināts asinsspiediens
R5 – psihoemocionāls stress
R6 – paaugstināts holesterīna līmenis
R7 – liekais svars, aptaukošanās
179

180. SUBJEKTĪVO DATU ANKETA (7)

R5. Psihoemocionāls stress
R5.1
R5.2
R5.3
R5.4
Vai Jūsu darbs ir saistīts ar steigu, satraukumu, sliktām jā nē 
attiecībām ar kolēģiem?
Vai personīgā (ģimenes) dzīve Jūs satrauc, neapmierina?
jā nē 
Vai sociālie, ekonomiskie apstākļi Jūs satrauc?
jā nē 
Vai pēdējā laikā esat pārdzīvojis/-usi tuva cilvēka nelaimi, jā nē 
slimību, nāvi?
180

181. OBJEKTĪVO DATU PLŪSMA (1)

Fizioloģisko parametru mērmoduļi par 9 no 12 pārbaudāmām organisma
sistēmām
M1 - elektrokardiogrāfs (EKG);
M2 - asinsspiediena mērītājs;
M3 - pulsa oksimetrs;
M4 - digitālais fonendoskops;
M5 - strēmeļu tests holesterīna līmeņa noteikšanai asinīs;
M6 - spirometrs;
M7 - digitālais termometrs;
M8 - strēmeļu tests urīna analīzei;
M9 - dermoskops;
M10 - antropometrisko parametru mērītājs;
M11 - svara un tauku/muskuļu attiecības mērītājs;
M12 - strēmeļu tests cukura līmeņa noteikšanai asinīs;
M13 - redzes asuma mērītājs;
M14 - audiometrs.
181

182. OBJEKTĪVO DATU PLŪSMA (2)

Iegūto parametru skaits 74,
no tiem,
mērāmo parametru skaits 63
aprēķināmo parametru skaits 11
182

183. OBJEKTĪVO DATU PLŪSMA (3)

M2 - asinsspiediena mērītājs
mērāmie parametri – sistoliskais arteriālais spiediens Psas
- diastoliskais arteriālais spiediens Pdas
aprēķināmais parametrs – vidējais arteriālais spiediens Pvas
M11 - svara un tauku/muskuļu attiecības mērītājs
mērāmie parametri – svars
- liesā ķermeņa masa
aprēķināmais parametrs – ķermeņa masas indekss
183

184. OBJEKTĪVO DATU PLŪSMA (4)

Mērījumu vērtējumi skrīningdiagnostikas
pielietojumā
Mērmodulis M1 – EKG
M1 = 0 – normāla EKG, noviržu nav,
M1 = 1 – ir novirzes EKG
Mērmodulis M2 – asinsspiediens mērītājs
M2 = 0 – normāls asinsspiediens
M2 = 1 – paaugstināts asinsspiediens
Mērmodulis M13 – redzes tests
M13.1 = 0 – normāla redze,
M13.1 = 1 – samazināts redzes asums,
M13.2 = 0 – normāla krāsu redze,
M13.2 = 1 – ir krāsu redzes problēmas.
184

185. EPIZODISKĀS INFORMĀCIJAS PLŪSMAS

Mērījumu novērtējumu dod tikai analīzes
centra speciālisti:
- EKG līknēm
- dermaskopa attēliem
185

186. SECINĀJUMI

1.
Kompleksā MTSK ir organizētas divas galvenās
informācijas plūsmas:
- interaktīvās anketas informācija, kas sekcionēta sadaļās S, R,
H un P;
- objektīvo 14 mērmoduļu informācija, ietverot 3 laboratorijas
testus.
2.
3.
Izdalīti epizodiskās informācijas avoti, ko
nodrošina analīzes centra speciālisti.
Lemšanas procesa izstrādē jāievēro visu plūsmu
sniegtā informācija, kas var novest pie ļoti
sarežģītas lemšanas procedūras, jo katra atsevišķa
lēmuma pieņemšanā var piedalīties vairākas
anketas sadaļas un vairāki mērmoduļi.
186

187. LĒMUMA PIEŅEMŠANAS ALGORITMI SKRĪNINGA DATORSISTĒMĀ

188. Pirmais informācijas avots

Informācija par organisma
sistēmu stāvokli.
S1 - sirds un asinsvadu sistēma;
S2 – elpošanas sistēma;
S3 – nieru un urīnceļu sistēma;
S4 – iespējamie jaunveidojumi;
S5 – kaulu un locītavu sistēma;
S6 – endokrīnā sistēma;
S7 – redze;
S8 – dzirde;
S9 – gremošanas sistēma;
S10 – neiroloģiskais stāvoklis;
S11 – garīgais līdzsvars;
S12 – reproduktīvā sistēma.
Informācija par iespējamiem riska
faktoriem (RF).
R1 – nelabvēlīga iedzimtība;
R2 – smēķēšana;
R3 – zema fiziskā aktivitāte;
R4 – paaugstināts asinsspiediens;
R5 – psihoemocionāls stress;
R6 – paaugstināts holesterīna līmenis;
R7 – liekais svars, aptaukošanās.

189. Otrais informācijas avots

14 cilvēka fizioloģisko parametru mērmoduļi:
M1 - elektrokardiogrāfs (EKG);
M2 - asinsspiediena mērītājs;
M3 - pulsa oksimetrs;
M4 - digitālais fonendoskops;
M5 - strēmeļu tests holesterīna līmeņa noteikšanai asinīs;
M6 - spirometrs;
M7 - digitālais termometrs;
M8 - strēmeļu tests urīna analīzei;
M9 - dermoskops;
M10 - antropometrisko parametru mērītājs;
M11 - svara un tauku/muskuļu attiecības mērītājs;
M12 - strēmeļu tests cukura līmeņa noteikšanai asinīs;
M13 - redzes asuma mērītājs;
M14 - audiometrs.

190. Informācijas avoti lēmumiem par sistēmu stāvokļiem

191. Informācijas avoti lēmumiem par riska faktoriem

192.

Datora lēmumu struktūra ir pieskaņota:
– organisma 12 sistēmām, kas iekļautas
interaktīvajā anketā kā S1 ÷ S12;
– septiņiem riska faktoriem R1 ÷ R7;
– papildus lēmumiem, kas attiecas uz anketas
sadaļu P (par regulāru pārbaužu esamību);
– lēmumiem par hroniskām slimībām sadaļā H;
– papildus lēmumi gadījumiem, kad nav subjektīvo
sūdzību, nav objektīvo atradņu, bet ir riska faktori.

193.

Datora izveidotie lēmumi sastāv no 3 daļām:
– konstatējošā daļa, kur šifrēti uzrādītas pacienta
sūdzības un objektīvās atradnes;
– lemjošā daļa, kur norādītas tālākās darbības
rekomendācijas;
– pamatojuma daļa, kur pacientam saprotamā veidā
atšifrētas augstāk norādītās atradnes.

194.

Piemēram, dators uz ekrāna var izgaismot lēmumus:
L S10 –
sirds un asinsvadu sistēmā noviržu NAV;
L S11 –
(..........).
sirds un asinsvadu sistēmā IR novirzes
Iekavās tiek šifrētas norādītās atradnes.
Rekomendācija – griezties pie kardiologa.
Pamatojums – vārdiski atšifrētas atradnes, uz kuru pamata
izstrādātas rekomendācijas.

195.

Lēmumu apzīmējumi jāsaprot šādi:
L – lēmums;
S1 – par sistēmu S1;
0 – noviržu nav;
1 – novirzes ir.

196. Lemšanas koki Sirds un asinsvadu sistēma

197. Lemšanas koki Kaulu-locītavu sistēma

198. Lemšanas koki Neiroloģiskais stāvoklis

199.

Lemšanas koka labā puse satur visus tos pašus
atribūtus, kas uzskaitīti kreisajā pusē.
Atšķirība ir tā, ka:
– visi atribūti veido paralēlu struktūru;
– visi atribūti savstarpēji saistīti ar saikļiem VAI;
– arī simptomi katras sistēmas ietvaros savstarpēji
saistīti ar saikļiem VAI;
– visu simptomu vērtības ir vienādas ar 1.

200. Lemšanas koki Nelabvēlīga iedzimtība

201. Lemšanas koki Palielināts svars, aptaukošanās

202.

R7 gadījumā lemšanas koks ir sarežģītāks, jo ietver:
– atbildes uz anketas jautājumiem R7.1 – vai
asinsradiniekiem ir liekais svars un R7.2 – vai
bērnībā bijāt apaļāks nekā vienaudži;
– atbildi uz jautājumu S6.2 – vai esat ievērojis svara
pieaugumu;
– objektīvo mērījumu rezultātus M10.2 = 1 –
palielināts vidukļa apkārtmērs, M10.3 = 1 –
palielināta attiecība viduklis/gurni, M11.1 = 1 –
palielināts ķermeņa masas indekss.

203. Produkciju likumi Sirds un asinsvadu sistēma

Nosacījumu daļa
JA S1.1=1 vai S1.2=1 vai
S1.3=1 vai S1.4=1 vai
S1.5=1 vai S1.6=1 vai
S1.7=1 vai S1.8=1 vai
S1.9=1 vai S1.10=1 vai
S1.11=1 vai S1.12=1
Secinājumu daļa L S11
TAD Sirds un asinsvadu
sistēmā IR novirzes
(...........).
JA S2.4=1 vai S4.9=1 vai
H5=1
JA S10.1=1 vai S10.2=1 vai
Nosūtīt pie kardiologa.
S10.4=1 vai S10.7=1
JA M1=1 JA M2=1
JA M3=1
JA M4.1=1 vai M4.2=1
JA M5=1

204. Produkciju likumi Kaulu-locītavu sistēma

Nosacījumu daļa
JA S5.1 = 1 vai S5.2 = 1
vai S5.3 = 1 vai S5.4 = 1
vai S5.5 = 1 vai S5.6 = 1
JA S10.8 = 1 vai R3.3 = 1
JA M10.1 = 1
Secinājumu daļa L S51
TAD kaulu un locītavu
sistēmā IR novirzes
(...........).
Nosūtīt pie ortopēda.

205. Produkciju likumi Neiroloģiskais stāvoklis

Nosacījumu daļa
Secinājumu daļa L S101
JA S10.1 = 1 vai S10.2 = 1
vai S10.3 = 1 vai S10.4 = 1
vai S10.5 = 1 vai S10.6 = 1 TAD neiroloģiskajā stāvoklī
vai S10.7 = 1 vai S10.8 = 1 IR novirzes (...........).
vai S10.9 = 1 vai S10.10 = 1
vai S10.11 = 1
Nosūtīt pie neirologa.
JA H11 = 1

206. Produkciju likumi Nelabvēlīga iedzimtība

Nosacījumu daļa
JA R1.1=1 vai R1.2=1 vai
R1.3=1 vai R1.4=1 vai
R1.5=1
Secinājumu daļa L R11
TAD Riska faktors
nelabvēlīga iedzimtība IR.
Rekomendē veselības
pārbaudi 1 reizi gadā.

207. Produkciju likumi Palielināts svars, aptaukošanās

Nosacījumu daļa
JA R7.1=1 vai R7.2=1
JA S6.2=1
JA M10.2=1 vai M10.3=1
JA M11.1=1
Secinājumu daļa L R71
TAD RF palielināts svars,
aptaukošanās IR.
Rekomendē svara
samazināšanu,
konsultējoties ar ģimenes
ārstu vai endokrinologu.

208. Secinājumi

1. Kompleksā MTSK izmantotā galvenā ieejas
informācija (interaktīvā anketa un mērmoduļi) ļauj
pieņemt datorlēmumus par organisma 12 sistēmu
stāvokļiem un riska faktoriem.
2. Lēmumu
pieņemšanai
nodrošina
produkciju
datorrealizāciju.
izvēlētā
tehnoloģija
likumu
izstrādi
un
3. Piedāvātā
metodika
ļauj
veidot
datorsistēmas ar praktisku lietderību.
lemšanas

209. Lemšanas koki

210. Lēmuma koks (LK)

• Lēmuma pieņemšanas rīks, kas grafa vai
modeļa veidā attēlo lēmuma pieņemšanas
gaitu;
• Problēmas apraksta, analīzes un risināšanas
grafisks attēlojums;
• Algoritma attēlošanas veids;
• Ļauj noteikt labāko stratēģiju mērķa
sasniegšanai.

211. LK elementi

1. Mezgli vai virsotnes (nodes)
a) lēmumi – decision nodes □
b) iespējas – chance nodes ○
c) rezultāti – end nodes
2. Koka zari (branches) – produkciju vai
asociatīvi likumi starp virsotnēm.

212. LK pielietojums operāciju analīzē

• Biznesa vadībā;
• Sabiedrības veselības izpētē;
• Veselības ekonomikas vadībā;
• Zinātnes menedžmentā.

213. LK izdevīgums

• Viegli saprotami, uztverami;
• Var veidot ar nepilnīgiem datiem, papildināt ar
ekspertu zināšanām;
• Var paplašināt ar jauniem scenārijiem;
• Palīdz noteikt sliktākos, labākos un iespējamos
lēmumu scenārijus;
• Var kombinēt ar citām lēmumu pieņemšanas
tehnoloģijām;
• Ja ar LK iegūts ticams rezultāts, tad nomainīt
“melno kasti” uz “baltu”.
English     Русский Правила