Inteligentný autonómny agent pre monitorovanie a diagnostiku v medicíne

 

Michal Ďurdina

 

Slovenská technická univerzita, Fakulta elektrotechniky a informatiky

Katedra informatiky a výpočtovej techniky

Ilkovičova 3, 831 02 Bratislava, Slovenská republika

durdina@decef.elf.stuba.sk

 

Spracované podľa:       Hayes-Roth B. et al, Guardian: A Prototype Intelligent Agent for Intensive-Care Monitoring, Journal Of Artificial Intelligence in Medicine, Vol. 4, pp. 165-185, 1992

 

Abstrakt: Pri monitorovaní a diagnostike v medicíne má počítačová podpora veľký význam. V tomto ohľade je zaujímavé použitie inteligentného autonómne pracujúceho agenta navrhnutého ako znalostný systém. Uvažovaný systém je schopný na základe uchovávaných znalostí (a) snímania veľkého rozsahu údajov, (b) konštrukcie a zavádzania krátkodobých a dlhodobých liečebných plánov, (c) detekcie, diagnózy a korekcie náhlych komplikácií, (d) kontroly stanovených parametrov medicínskych zariadení, (e) odporúčania diagnostických a terapeutických postupov lekárom, (f) vysvetľovania vlastných postupov a (g) prezentácie stavu pacienta a odpovedanie na otázky. Väčšinu z týchto vlastností implementuje prototyp Guardian, ktorý slúži na otestovanie významu uvažovaného agenta. Na jeho príklade je opísaná architektúra a báza znalostí takéhoto agenta. Štúdiom tohto prototypu je možné získať dostatočný prehľad o možnosti riešenia triedy úloh v oblasti monitorovania a diagnostiky.

Abstract (in English)

 

Obsah

1 Úvod

2 Prototyp Guardian

3 Architektúra systému

4 Báza znalostí

5 Zhodnotenie

Použitá literatúra

1       Úvod

Význam počítačovej techniky v lekárskom odvetví je nesmierny. V súčasnom období je výpočtová technika najviac používaná pri monitorovaní zdravotného stavu pacienta a jeho životných funkcií. Veľký význam má zároveň ako podporný prostriedok pre lekára pri stanovovaní diagnózy ochorenia pacienta. Tu technika pomáha lekárom stanoviť najlepšiu možnú diagnózu na základe čo najväčšieho množstva dostupných informácií o stave pacienta. Monitorovanie a diagnostika stavu pacienta je obzvlášť dôležitá na jednotkách intenzívnej starostlivosti (JIS), kde bez moderných monitorovacích prístrojov nie je takto náročná liečba možná.

Naskytá sa otázka, či nie je možné automatizovať resp. zaviesť prvky autonómneho riadenia do procesu starostlivosti o pacienta na jednotkách intenzívnej starostlivosti. V ďalšom uvidíme, že to možné je. Je ale potrebné riešiť mnoho problémov vyplývajúcich už z podstaty liečebného procesu, kde ten najháklivejší je problém nesprávneho určenia diagnózy. Takýto omyl by mohol niekedy mať až smrteľné následky, čo je absolútne neprípustné. Z toho vyplýva, že všetky systémy pracujúce v lekárskom prostredí musia mať nulovú chybovosť, čo je základným problémom pri ľubovoľnom prístupe k riešeniu.

Jednu z možností riešenia problému poskytuje odvetvie informatiky umelá inteligencia. Už prvotné aplikácie umelej inteligencie boli realizované v oblasti zdravotníctva. Zdravotníctvo poskytuje široké možnosti uplatnenia prostriedkov umelej inteligencie najmä v oblasti diagnostiky, plánovania, podpory rozhodovania a iných. V oblasti monitorovania a diagnostiky na JIS sa vývoj uberá prevažne dvoma smermi: (a) riešeniami úzko špecifikovaných praktických problémov riešených v krátkodobom horizonte (napr. inteligentné výstražné systémy), alebo (b) výskumom fundamentálnych problémov týkajúcich sa aspoň sčasti monitorovania na JIS [Hayes-Roth et al, 1992].

Riešenie, ktoré bude v ďalšom opisované je mierne odlišné. Ide o komplexnejšie chápaného „inteligentného“ agenta, ktorý sa vyznačuje viacerými schopnosťami významnými z hľadiska kooperácie s tímom JIS. Takýto agent by mal byť schopný (a) neustáleho snímania, interpretácie, sumarizácie a predikcie veľkého rozsahu údajov týkajúcich sa pacienta, (b) konštrukcie, zjemňovania, revízie a zavádzania krátkodobých a dlhodobých liečebných plánov, (c) detekcie, diagnózy a korekcie náhlych komplikácií a iných problémov, (d) kontroly stanovených parametrov medicínskych zariadení, (e) odporúčania širokého spektra diagnostických a terapeutických postupov ľudským členom tímu JIS, (f) vysvetľovania zistení, diagnóz, predpovedí a liečebných postupov založených na znalosti anatómie a fyziológie a (g) prezentácie stavu pacienta a odpovedanie na otázky.

Na uskutočňovanie daných úloh potrebuje uvažovaný agent v sebe integrovať rôzne znalosti (klinické znalosti bežných problémov, symptómov a terapie, biologické znalosti anatómie, fyziológie, patofyziológie a znalosti fundamentálnych fyzických modelov a kritických podmienok) a rôzne odvodzovacie schopnosti (diagnostika, predpoveď, plánovanie). Dané znalosti a odvodzovacie schopnosti musí ďalej rozširovať a vylepšovať na základe získaných skúseností. Na dosiahnutie odoziev v reálnom čase pri určovaní záverov a nasledovného správania sa, musí agent pracovať nepretržite a alokovať svoje zdroje medzi súperiace požiadavky podľa potreby. Jeho aktivity musia byť koordinované vzhľadom na dosiahnutie stanovených celkových podmienok pacienta a na dosiahnutie jeho vlastných cieľov a pozície v rámci tímu JIS.

2       Prototyp Guardian

V priebehu minulých rokov sa štúdiom inteligentných agentov na monitorovanie a diagnostiku zaoberalo viacero riešiteľských skupín. Pravdepodobne najväčší pokrok dosiahol projekt Guardian, ktorý bol vyvíjaný v laboratóriu znalostných systémov stanfordskej univerzity v Kalifornii (Knowledge System Laboratory at Stanford University) v rokoch 1987 - 1996.

Systém predstavuje autonómneho agenta s flexibilnou architektúrou, v ktorom je súčasne využívaných viacero algoritmov na tvorbu diagnóz a liečebných plánov v reálnom čase. Projekt sa zameriava viac ako na vytvorenie prakticky použiteľného systému integrovateľného s existujúcimi nemocenskými informačnými systémami, radšej na vyvinutie určitého prototypu, ktorý bude (a) názorne vykonávať celú škálu inteligentného správania pri monitorovaní na JIS, (b) svoju činnosť vykonávať spoľahlivo hlavne pri závažných lekárskych situáciách a (c) rozširovať svoje kapacity tak, aby vyhovel aktuálnym praktickým požiadavkám.

V prvej fáze vývoja projektu Guardian, ktorý prebiehal v rokoch 1987 – 1993 sa vyvíjalo, implementovalo a testovalo niekoľko odlišných diagnostických algoritmov. Zo začiatku mal každý algoritmus svoju vlastnú bázu znalostí. Postupom času, keď sa systém rozrástol, začalo byť čím ďalej náročnejšie integrovať vyvinuté algoritmy. Preto bola vyvinutá štandardizovaná reprezentácia údajov, ktorá nepriamo viedla k vytvoreniu referenčnej architektúry pre systémy na monitorovanie stavu pacientov [Hayes-Roth–Larsson 1996]. V druhej fáze projektu, ktorá prebiehala v rokoch 1993 – 1996 bola zastavená práca na návrhu architektúry systému a vývoji diagnostických algoritmov a hlavná činnosť bola zameraná na rozširovanie, testovanie a validáciu bázy znalostí. Zároveň bol systém testovaný na viacerých medických simulátoroch, kde sa rovnaké krízové scenáre predkladali aj systému aj lekárom, čo umožnilo porovnať vlastnosti takéhoto inteligentného autonómneho agenta k ľudským lekárom.

3       Architektúra systému

Systém umožňuje modifikovať stratégiu vnemov, mód riadenia, úlohy a metódy odvodzovania a stratégiu meta-riadenia v závislosti na dynamicky sa meniacej situácií. Navrhnutá architektúra (obr. 1) v sebe hierarchicky usporiadava komponenty na vnímanie informácií z prostredia, na ovplyvňovanie stavu prostredia a na odvodzovanie, ktoré je potrebné na interpretáciu vnímaných informácií, riešenie problémov a plánovanie činností.

3.1     Interakcia s prostredím

Na získavanie informácií z prostredia slúžia senzory, ktoré zasielajú snímané dáta do predprocesora vnímania. Získané dáta tvoria vstupné informácie pri odvodzovaní a činnosti autonómneho agenta. Ľubovoľný údaj zo senzoru, ak je zaslaný odvodzovaciemu systému, sa stáva vnemovou udalosťou a spustí vykonanie niekoľkých ďalších odvodzovacích operácií. Vykonanie daných operácií môže mať za následok vyprodukovanie kognitívnych udalostí, ktoré môžu znovu vyprodukovať iné operácie. Keďže takýchto udalostí môže vznikať veľké množstvo a aj frekvencia výskytu nových vnemov zo senzorov môže byť vysoká, na efektívne spracovanie vstupných vnemov je potrebný efektívny predprocesor.

Predprocesor vnímania umožní vylúčiť z množiny uvažovaných vnemov redundantné a málo dôležité vnemy (v danej situácií). Ďalšou z funkcií predprocesora je získané vnemy zovšeobecniť a ohodnocovať v závislosti na inštrukciách z odvodzovacieho systému. Napríklad je možné zovšeobecniť sériu numerických hodnôt opisujúcich vysoký dýchací tlak na triedu „vysoký“ s tendenciou „zvyšujúci sa“ a ohodnotiť ho ako „nie relevantný k práve prebiehajúcemu odvodzovaniu“, ale „veľmi dôležitý“ a „urgentný“ a tieto dáta spolu s ohodnotením „vysoká priorita“ zaslať odvodzovaciemu systému. Týmto spôsobom je teda odvodzovací systém chránený pred preťažením a vzhľadom na dostupné zdroje maximalizuje svoju ostražitosť ku kritickým vnemom. Súčasťou predprocesora je aj systém vplývania na prostredie, ktorý pôsobí na prostredie na základe vnemov a odvodzovania. Systém monitoruje svoju vstupnú vyrovnávaciu pamäť, z nej vyberá zamýšľané činnosti, prekladá ich na programy zložené z príkazov akčných členov  a kontroluje ich vykonávanie akčným členom.

Obr.1: Architektúra autonómneho agenta

3.2     Odvodzovanie

Systém odvodzovania tvorí v inteligentnom autonómnom agente najvýznamnejšiu časť. Má za úlohu interpretovať získané informácie z prostredia, uvažovať o probléme na základe svojich znalostí (napr. určenie problému, diagnózy, predikcie a plánovanie či vysvetľovanie) a rozhodovať o nasledovnej vykonanej akcii. Systém odvodzovania je taktiež schopný dynamicky vytvárať a modifikovať plány činnosti na koordináciu svojho vnímania, odvodzovania a činnosti.

Na uchovávanie uložených a získaných znalostí uvažuje návrh tabuľovú architektúru. Princíp tabuľovej architektúry spočíva v uchovávaní všetkých dostupných údajov (znalostí) v globálnej pamäťovej štruktúre zvanej tabuľa. Jej obsah dynamicky menia zdroje poznatkov. Zdroje poznatkov pre svoju činnosť čítajú obsah tabule a výsledky ich činnosti sú znovu zapísané na tabuľu. Žiadny zo zdrojov poznatkov nepoužíva žiadne iné údaje okrem tých, ktoré sú uložené v tabuli. Jednotlivé zdroje poznatkov nemajú žiadne informácie o prítomnosti iných zdrojov poznatkov. Svoju činnosť teda vykonávajú samostatne len s použitím údajov z tabule. O tom, ktorý zdroj poznatkov bude práve vykonávať svoju činnosť, rozhoduje riadiaci modul. Každý zdroj poznatkov okrem iného obsahuje aj podmienku spustenia. Modul riadenia v každom kroku vyhodnocuje podmienky spustenia jednotlivých zdrojov poznatkov a zvolí zdroj poznatkov, ktorý sa v ďalšom kroku spustí. Viac o tabuľových architektúrach a stratégiách pri výbere zdroja poznatkov na spustenie sa možno dozvedieť napríklad v [Pfleger, 1998].

Uvažovaný inteligentný agent, ktorý má byť použiteľný na monitorovanie a diagnostiku, by mal obsahovať vo svojej globálnej pamäti (tabuli) tri druhy údajov: znalosti, výsledky odvodzovania a kognitívny stav.

Znalosti sú pre znalostný systém, akým je aj popisovaný autonómny agent, základnou zložkou architektúry systému.  Na uskutočňovanie odvodzovania pre potreby JIS potrebuje daný agent dve skupiny znalostí. Jednou sú faktické znalosti, medzi ktoré patria klinické heuristiky, opisy biologických modelov a elementárne princípy. Druhou skupinou sú odvodzovacie znalosti, ako sú znalosti o dostupných operáciách a stratégiách pre diagnostiku, plánovanie atď. Všetky odvodzovacie znalosti sú formalizované ako odvodzovacie operácie, teda môžu byť povolené (splnená podmienka spustenia) na základe vzniku predpísaných udalostí (zápisov do globálnej pamäte) a ktoré keď sú vykonané, spôsobia nové zápisy do globálnej pamäti a teda aj vznik nových udalostí.

Výsledky odvodzovania v sebe zahŕňajú dočasné a konečné výsledky odvodzovacích činností. Príkladom môžu byť pozorovania, hypotézy, diagnózy, predikcie, plány a iné. Tieto môžu medzi sebou súvisieť a vznikať tak, ako to ukazuje nasledujúci príklad:

(1)   pozorovanie rapídneho zvýšenia dychového tlaku v čase t1 až t3,

(2)   diagnóza pneumotoraxu, ktorý vznikol v čase t1 a spôsobil zvýšenie dychového tlaku,

(3)   plán na vloženie prsnej trubice pred časom t5 ako odpoveď na diagnostikovaný pneumotorax,

(4)   predikcia, že dychový tlak opadne po vložení prsnej trubice v čase t5.

Väčšina odvodzovania uvažujúceho autonómneho agenta súvisí s rozdielmi medzi „čo nastalo“ oproti „čo bolo zamýšľané alebo očakávané“. Daný problém by bol pokladaný za vyriešený, keby sa potvrdila predikcia 4 výskytom

(5a) pozorovanie začiatku znižovania dychového tlaku po čase t5,

ale problém by bol pokladaný za nevyriešený a extrémne urgentný ak by ďalší výskyt bol

(5b) pozorovanie pokračujúceho zvyšovania dychového tlaku po čase t5.

Kognitívny stav obsahuje informácie týkajúce sa aktuálneho stavu odvodzovania. Dané informácie sú zoskupené v troch buferoch. Bufer udalosti obsahuje udalosti vnímania asynchrónne prichádzajúce z predprocesora vnímania a kognitívne udalosti vyprodukované pri odvodzovaní. Bufer agenda obsahuje aktuálne vykonateľné operácie, teda tie, pri ktorých boli splnené spúšťacie podmienky. Ďalšia operácia obsahuje odvodzovaciu operáciu vybranú a pripravenú na  spustenie.

Podľa kognitívneho stavu prebieha odvodzovanie v rámci uspokojovacej slučky (satisficing cycle). (1) Najprv použije agenda manažér aktuálnu množinu všetkých udalostí a aktuálny plán riadenia na určenie operácií, ktoré sú v danom stave spustiteľné. Tieto potom uloží do agendy. (2) Nasledovne plánovač určí, kedy prerušiť činnosť agenda manažéra, a vyberie operáciu, ktorá sa bude v nasledovnom kroku vykonávať. Túto uloží do bufera ďalšia operácia. (3) Nakoniec túto operáciu vykoná spúšťač, ktorý zapíše výsledné zmeny do globálnej pamäti. Do globálnej pamäti takto pribudnú nové parametre pre predprocesor vnímania, zamýšľané akcie pre akčné členy, nové výsledky odvodzovania pre práve prebiehajúce úlohy, prípadne nové riadiace rozhodnutia v podobe nových alebo modifikovaných plánov riadenia.

3.3     Riadenie plánovania

Dynamické riadenie plánovania stanovuje kvalitu vykonávaného vnímania, odvodzovania a činnosti agenta v závislosti na jeho aktuálnom stave. Hlavným elementom plánovania je plán riadenia, ktorý pozostáva z viacerých riadiacich rozhodnutí. Každé riadiace rozhodnutie popisuje množinu operácií, určených na vykonanie v určitej časovej dobe, pri splnení špecifikovaných obmedzení. Ako aj iné operácie, tak aj riadiace operácie sú povoľované udalosťami a dopĺňajú sa do agendy. V prípade, že sú vykonané, generujú alebo modifikujú riadiace rozhodnutia.

Plány riadenia sú vytvárané tak, aby boli primerané aktuálnej situácií a menia sa podľa toho, ako sa mení aj táto situácia. V každom okamihu sa agent správa v zhode s akýmkoľvek riadiacim rozhodnutím. V uspokojovacej slučke určujú plány riadenia poradie, v ktorom sú odvodzovacie operácie identifikované a určujú podmienky prerušenia výberu operácie. Plánovač má možnosť hocikedy vybrať dostatočne dobrú podmienku, alebo v prípade, že vyprší čas na výber podmienok, vyberie najlepšiu dostupnú operáciu. Napríklad pri riadiacom rozhodnutí na korekciu pozorovanej vysokej hodnoty dychového tlaku sa skúsia najprv povoliť odvodzovacie operácie typu „koriguj“ s udalosťami typu „meranie dychového tlaku“ a následne na to vykonať prvú z nájdenej množiny. Plány riadenia takisto riadia pozornosť vnemových systémov k prostrediu. Napríklad pri danom pláne na riešenie konkrétneho problému sa zvýši pozornosť k relevantným údajom. V prípade, že daný plán potrebuje vykonávať výpočtovo náročné úlohy, zníži sa intenzita vnímania pri určitých údajoch podľa ich relevancie, dôležitosti a urgentnosti.

4       Báza znalostí

Najväčšie množstvo úsilia pri tvorbe znalostného systému je potrebné vynaložiť na vytvorenie a otestovanie bázy znalostí. V prípade autonómneho agenta pracujúceho na JIS je potrebné, aby báza znalostí bola natoľko rozsiahla, aby nemohlo dôjsť k stavu, v ktorom nie je problém vyriešený, ale ani nie je možné ďalej odvodzovať jeho riešenie. Na bezporuchovú prácu uvažovaného agenta sú potrebné znalosti o vstupných parametroch, diskrétnych príznakov a vzorov na transformáciu hodnôt vstupných parametrov na diskrétne príznaky. Ďalej sú potrebné znalosti o testoch, ktoré môžu byť vykonané v prípade absencie hodnôt určitých vstupných parametrov, znalosti o chorobách, o plánoch terapie a o činnostiach na ovplyvňovanie okolitého prostredia.

V prípade väčšieho objemu znalostí bývajú znalosti týkajúce sa viacerých oblastí uložené vo viacerých vrstvách. V tabuľke č.1 je možné vidieť príklad obsahu bázy znalostí autonómneho agenta rozdelenia znalostí aj s ich rozdelením do vrstiev.

Faktické znalosti

Klinické znalosti

Hypoxomatické problémy

Biologické znalosti

Dýchanie, cirkulácia látok, metabolizmus tkanív, výmena látok

Znalosti o prístrojoch

Dýchací prístroj

Základné princípy

Tok, difúzia, výmena, rovnováha, metabolizmus

Odvodzovacie znalosti

Asociatívne odvodzovanie

Diagnózy, reakcie, predikcie, plánovanie, vysvetľovanie

Modelovacie odvodzovanie

Diagnózy, reakcie, predikcie, plánovanie, vysvetľovanie

Riadiace odvodzovanie

Prioritizácia, zameranie pozornosti, koordinácia úloh, stratégie odvodzovania

 

Tab. č.1: Príklad obsahu bázy znalostí

 

4.1     Faktické znalosti

Klinické znalosti reprezentujú bežné choroby a tieto sú rozčlenené do tried. Napríklad trieda hypoxomatické problémy zahŕňa v sebe viacej špecifických diagnóz, ako napríklad upchatá aorta alebo pneumotorax. Tieto diagnózy majú atribúty ako faktor dôvery určujúci podmienenú pravdepodobnosť daného tvrdenia, kritickosť určujúca cenu za neriešenie problému v prípade jeho vzniku a nutnosť riešenia určujúca mieru poklesu užitočnosti akcie v čase. Každá diagnóza je prepojená pomocou pravdepodobnostných spojení cez sprostredkovateľské premenné na relevantné typy tvrdení s atribútom pozorovateľnosť určujúci cenu za získanie tvrdenia. Každá diagnóza je taktiež prepojená na štandardné liečebné činnosti s atribútmi zdroje určujúcim čas potrebný na vykonania a reversibilita určujúci schopnosť a cenu vrátenia činnosti.

Biologické znalosti predstavujú znalosti o anatómii a fyziológii v izomorfickej symbolickej forme. Môžu napríklad obsahovať anatomické fakty ako fakty, že pľúca sú dýchací orgán, pľúca zahŕňajú priedušku a priedušnicu a že prieduška a priedušnica sú štrukturálne spojené. Medzi fyziologické znalosti napríklad patria fakty, že dýchanie je respiračný proces, dýchanie zahŕňa nádych a výdych, dýchanie sa uskutočňuje v respiračných štruktúrach a že nádych cez ústa implikuje nádych cez hrdlo.

Základné princípy predstavujú normálne a abnormálne štruktúry a funkcie známych typov fyzických systémov. Sú to napríklad fakty, že v obehovom systéme obieha substancia cez spojené štruktúry a že existuje relácia medzi tlakom, odporom a tokom. Ďalej to môžu byť fakty, že obehová štruktúra môže obsahovať blokovanie alebo tiecť, čo spôsobí predpovedateľné zmeny týchto premenných v mieste vzniku a v miestach po prúde toku.

Medzi klinickými znalosťami, biologickými znalosťami a základnými princípmi existujú relácie. Napríklad je známe, že dýchanie a cirkulácia sú obehové systémy, zatiaľ čo pulmoárna výmena je difúzny proces. Tieto znalosti umožňujú odvodzovať vlastnosti množstva biologických systémov z jedinej reprezenácie základných princípov. Napríklad je možné použiť znalosti o blokovaní v obehovom systéme na diagnózu blokovaní v respiračnom alebo cirkulárnom systéme.

4.2     Odvodzovacie znalosti

Generické odvodzovacie znalosti reprezentujú potenciálne odvodzovacie operácie a stratégie na organizovanie sekvencií operácií na dosiahnutie cieľov. Tieto znalosti sa používajú na niekoľko úloh: diagnózu pozorovaných príznakov a symptómov, reakciu na problémy, predikciu stavu pacienta, odvodenie následkov, pozorovaní a problémov z predpokladov, plánovanie dlhodobých činností, vysvetľovanie úkazov. Všetky z týchto úloh môžu byť vykonané použitím asociatívnych alebo modelovacích metód.

Asociatívne metódy používajú klinické znalosti, aplikujú ich na známe problémy a dávajú jednoduché „odpovede“ s minimálnym vysvetlením. Výhodou je najmä rýchlosť ich vykonávania. Napríklad pri pozorovaní zvýšenia tlaku dýchania sa použitím asociatívnej metódy rýchlo diagnostikuje hypoventilačný problém a pacientovi sa zvýši prísun kyslíka.

Modelovacie metódy používajú biologické a základné princípy, aplikujú ich na známe alebo neznáme problémy a dávajú detailné „odpovede“ s vysvetlením. Ich nevýhodou je dlhší čas vykonávania. Napríklad systém môže dať patofyzikálne vysvetlenie jeho predikcie, že normálny prísun kyslíka pre pacienta po operácií bude mať za príčinu nízky tlak CO2 v dolnej aortálnej trubici.

Riadiace znalosti reprezentujú výber, vykonávanie a koordináciu úloh pod časovými a zdrojovými obmedzeniami. Systém môže koordinovať asociatívne a modelovacie odvodzovanie pri rozličných situáciách. Napríklad systém môže meniť stratégie pre spracovávanie stredne dôležitých, pomaly sa vyvíjajúcich problémov (napr. znížená teplota a jej následky), pre vkladanie úloh porovnateľnej dôležitosti (napr. vysvetľovanie súvislostí mezi teplotou, rýchlosťou zmien a hladinou PaCO2) a pre spracovanie veľmi dôležitých, urgentných problémov (napr. diagnóza pneumotoraxu).

5       Zhodnotenie

Tento článok načrtol architektúru a možnosti flexibilného systému konajúceho samostatne použiteľného na monitorovanie a diagnostiku na jednotke intenzívnej starostlivosti. Jeho architektúra je však dostatočne všeobecná a tým môže dať podnet na použitie podobného systému aj v inej oblasti. Samozrejme, že sa naskytajú aj na jeho vylepšenie. Napríklad by sa systém mohol samostatne učiť zo získaných znalostí, ďalšie vylepšenie by mohlo priniesť zefektívnenie pamäťovej správy zavedením selektívneho odpamätania počas dlhého času.

Implementáciou daného systému (v projekte Guardian) sa ukázalo, že daný systém môže byť veľmi užitočný na zvýšenie efektivity liečenia, ale aj na zníženie nákladov na lekársku starostlivosť. V niektorých prípadoch je dokonca možné, že takýto systém by mohol niekedy zachrániť ľudský život. Preto je jednoznačne prínosom a týmto poukazuje na potenciál znalostných systémov v oblasti intenzívnej starostlivosti.

 

Použitá literatúra

Hayes-Roth B. et al, Guardian: A Prototype Intelligent Agent for Intensive-Care Monitoring, Journal Of Artificial Intelligence in Medicine, Vol. 4, pp. 165-185, 1992

Hayes-Roth B., Larsson J.E., A Domain-Specific Software Architecture for a Class of Intelligent Patient Monitoring Agents, Journal Of Experimental and Theoretical Artificial Intelligence, Vol. 8(2), pp. 149-171, 1996

Pfleger K., Hayes-Roth B., An Introduction to Blackboard-Style System Organization, Stanford University: Technical Report No. KSL 98-03, 1998

 

Poznámka: Všetky uvedené dokumenty je možné získať aj v elektronickej forme na stránkach Knowledge Systems Laboratory at Stanford University, v časti Technical Reports (http://www-ksl.stanford.edu/).