Застосування експертних систем у медицині

діагноз синтезую на основі логічного аналізу фактографічного матеріалу про цю патологічну систему з обов'язковим залученням знань про стан фізіологічних систем, тісно пов'язаних з досліджуваною (системно- аналітичний тип);

для постановки діагнозу мені досить моїх професійних знань щодо цієї патології {конкретно-аналітичний тип).

Складання питальника з відповідями є дуже складною задачею, оскільки комп'ютерне розпізнавання типу інтелекту вимагає задавання вагових коефіцієнтів питанням запитальника. Комп'ютерна технологія класифікації мислення лікаря за типом інтелекту є стратегічною задачею створення поліалгоритмічних експертних систем як елементів природного інтелекту.

Поліалгоритмічні експертні системи нададуть лікарю можливість аналізувати ситуацію не тільки на основі своїх знань і власного алгоритму мислення, але й ознайомитись із аналізом аналогічної ситуації лікарями з різними типами інтелекту (віртуальний консиліум). Технологія поліалгоритмічних експертних систем може бути основою проблемно- орієнтованих медичних комп'ютерних довідників.

Відмінності між традиційними та поліалгоритмічними експертними системами формулюються так:

традиційна експертна система - це комп'ютерна система, програмне забезпечення якої відображає алгоритм кінцевого результату консиліуму лікарів під час постановки діагнозу;

поліалгоритмічна експертна система - це комп'ютерна система, програмне забезпечення якої відображає алгоритм процесу постановки діагнозу кожним лікарем консиліуму, що залежить від типу його інтелекту, і алгоритм процесу кінцевого результату постановки діагнозу.

Для створення поліалгоритмічних експертних систем доцільно використовувати фахівців з різними типами інтелекту.

Як приклад концептуального підходу до створення поліалгоритмічних експертних систем можна розглядати експертну систему кардіологічної діагностики (ЕСКОРД), модель представлення знань якої використовує технологію фреймів.

В основі цієї системи лежать не знання експертів, а предметні знання, що не залежать від особистості. ЕСКОРД може працювати як у складі автоматизованих систем масового медичного обслуговування, так і як індивідуальне робоче місце лікаря-діагноста. Система дозволяє одночасно обробляти діагностичні ознаки кількісного та якісного характеру.

База знань ЕСКОРД містить довідник усіх захворювань, що визначає групи диспансерного обліку на поліклінічному рівні діагностичного процесу з переліком чинників внутрішньої та зовнішньої природи, а також скарги стосовно 18 предметних областей. Скарги та аналітичні дані захворювань, що не належать до кардіологічного профілю, розглядаються як ризик кардіологічної патології. В системі передбачено більше 80 можливих кардіологічних діагнозів та більше 65 захворювань, що визначаються в процесі диференційної діагностики.

У системі ЕСКОРД використовується немонотонне двонапрямлене виведення, в процесі якого одержані дані оцінюються щодо гіпотези, що висувається, для підтвердження цієї гіпотези запитуються нові дані з бази даних. Технологія ЕСКОРД основана на методі генерації та диференціації гіпотез.

Під час проектування медичних експертних систем суттєве значення має вибір моделі представлення знань, які є достатньо великим інформаційним масивом біологічних, медичних і екологічних відомостей. Можливі два основні підходи:

розроблення спеціального математичного апарату для моделювання процесів у складних біологічних об'єктах;

всебічний аналіз зібраних медичних, біологічних і екологічних відомостей за допомогою існуючих математичних методів.

Обидва напрямки є необхідними, однак перевагу варто надати дослідженню цінності накопиченої інформації, використанню математичних ідей для відбору найважливіших показників, згортанню даних шляхом отримання простих інтегральних моделей процесів, що відбуваються в організмі та навколишньому середовищі.

Інформаційно-діагностична система спадкових захворювань у дітей "ДИАГЕН"

Система "ДИАГЕН" призначена для попередньої діагностики спадкових захворювань за клінічною симптоматикою і результатами найпростіших лабораторних і функціональних досліджень. її використання значно звужує коло діагнозів, уточнення яких вимагає дорогих лабораторних досліджень: "ДИАГЕН" пропонує лікарю-генетику вузький диференційний ряд.

База знань системи містить повний структурований опис клінічної картини 1200 моногенних і хромосомних хвороб і синдромів, включаючи специфічні зміни, які виявляються функціональними, біохімічними, морфологічними та цитогенетичними дослідженнями. База знань системи містить також бібліографічні посилання стосовно кожного синдрому.

"ДИАГЕН" - система, відкрита для постійного поповнення знаннями. Крім того, "ДИАГЕН" дозволяє здійснювати архівування даних діагностованих хворих.

В процесі своєї роботи система "ДИАГЕН" оперує такими даними, що складають її базу знань:

ознаки, які характеризують клінічну картину захворювання;

опис захворювання через ознаки;

правила виведення діагнозу за генотипним описом пацієнта.

Ознаки зберігаються в базі знань у вигляді дерева. Якщо ознака має нащадків у дереві (тобто відповідний термін включає в себе інші ознаки), то він називається узагальнюючим. Ознака, яка не має нащадків, називається термінальною. Наприклад, ознака "Деформація пальців" -- узагальнююча, а її нащадок: " К л і нодакти м і я" -- термінальна). Кожному синдрому в базі знань відповідає свій опис, який містить:

назву;

код за класифікатором МакК'юсика;

список синонімів певного синдрому;

список ознак, які складають ведучий симптомокомплекс;

список другорядних ознак;

терміни маніфестації певного синдрому;

типи спадкування;

результати функціональних досліджень, характерних для певного синдрому.

Система містить три основних блоки:

діагностичний, що видає диференційно-діагностичний ряд;

довідник, який представляє повну інформацію про ознаки і синдроми, що зберігаються в системі (орієнтований у першу чергу на лікаря-педіатра широкого профілю);

архів, який забезпечує збереження і повторне використання даних про діагностування хворих.

В процесі роботи системи в режимі "Діагностика" стосовно кожної дитини визначається така інформація:

анкетні дані, які містять прізвище дитини, її ім'я, стать, вік і термін маніфестації захворювання;

список відібраних ознак, який складається з ознак, що характеризують стан дитини. В цей список потрапляють як термінальні ознаки, так і узагальнюючі (якщо користувач не має наміру більше їх уточнювати). Кожній ознаці в цьому списку призначається вага (число в інтервалі від 0% до 99%), що характеризує значимість ознаки, на думку користувача, для постановки діагнозу.

дерево шляхів, яке містить всі ознаки, відзначені користувачем у процесі роботи і впорядковані в структуру дерева (тобто переглянута частина загального дерева ознак).

Крім того, в системі ведеться архів, у якому зберігаються дані про дітей, які пройшли діагностику. Це дає можливість користувачу повертатися до даних про пацієнтів як з метою уточнення вхідної інформації, так і в процесі катамнезу.

Система "ДИАГЕН" має такі основні режими роботи:

діагностування;

перегляд бази знань;

робота з архівом.

Задача діагностування є основною в системі і включає такі функції:

введення даних про дитину за допомогою функцій "введення анкетних даних" або "вибір даних з архіву);

введення або коригування клінічних ознак;

коректування ваги ознак;

відбір діагнозів.

перегляд відібраних діагнозів.

додавання або заміна даних в архіві.

Функція перегляду бази знань є допоміжною в системі і перехід у неї здійснюється з основної задачі діагностування дитини через меню системи. Можливе також самостійне використання цієї функції.

Функція роботи з архівом також є допоміжною в системі і перехід у неї здійснюється з основної задачі діагностування через меню системи. Після повернення в основну задачу, всі раніше визначені дані будуть збережені.

Експертна діагностична система "ВЕСТ-СИНДРОМ"

Система дозволяє проводити диференційну діагностику в декілька етапів. На попередньому етапі формуються диференційні ряди, які відповідають різним комбінаціям введених симптомів, що допомагає користувачу "відфільтрувати" основні діагнози від супроводжуючих. На наступному етапі видаються обґрунтовані рекомендації стосовно проведення додаткових досліджень". Система містить:

класифікатор ознак;

опис 36 нозологічних форм, що включають більше 200 клінічних і лабораторних ознак.

Система призначена для дитячих лікарів-невропатологів і психоневрологів, а також для навчання студентів і слухачів факультетів (інститутів) підвищення кваліфікації.

Експертна система діагностики невідкладних станів у дітей «ДИН»

Система передбачає розпізнавання поточного стану дитини - синдрому або кількох синдромів.

Робота з системою "ДИН" дозволяє:

забезпечити діагностику 34 синдромів, що включають 84 невідкладні стани;

прослідкувати за процесом постановки діагнозу;

проводити консультацію як на долабораторному етапі обстеження, так і з використанням результатів лабораторних і фундаментальних методів дослідження;

прогнозувати можливі ускладнення основного синдрому.

Розробка системи проводилась на основі експертної оболонки LEONARDO. Система передбачає врахування рівнів упевненості появи симптому та ймовірнісних характеристик важливості вкладу симптомів в опис клінічної картини синдромів.

Комп'ютерна експертна система в оболонці ARROW для діагностики нефропатій, що протікають із синдромом гематурії у дітей. З метою оптимізації діагностики нефропатій з синдромом гематурії розроблена комп'ютерна експертна система в оболонці ARROW, що ґрунтується на технології віртуальних статистик з елементами штучного інтелекту. База знань системи містить інформацію про 100 захворювань із синдромом гематурії.

В експертній системі передбачена можливість збереження інформації про обстежених пацієнтів у картотеці. Система забезпечує додаткове введення даних про хворих після повторних консультацій лікаря та інших спеціалістів.

В експертній системі функціонує довідникова система, що містить сучасні літературні дані з діагностики і терапії захворювань, що протікають із синдромом гематурії. Користуватись довідниковою системою можна, не виходячи з експертної системи і не припиняючи діагностичний процес.

Комп'ютерна експертна система характеризується високим розпізнаванням нефропатій з гематурією, що складає 97%.

Експертна система діагностики бронхіальної астми у дітей. Експертна система ЕБВАО призначена для консультаційної допомоги лікарю в діагностиці бронхіальної астми у дітей. Система створена на базі інструментального середовища БТЕРСЬАЗЗ.

База знань експертної системи містить дані про 13 захворювань, з якими найчастіше доводиться диференціювати бронхіальну астму у дітей.

Експертна система ЕБВАО працює з користувачем у режимі діалогу і за допомогою розв'язувальних правил здатна визначити до якого захворювання або груп захворювань належить певний випадок, робить висновок про діагноз і пояснює своє рішення, визначає ступінь складності захворювання і дає рекомендації щодо лікування.

В 87,2% випадків діагностичні рішення експертної системи ЕБВАО збігаються з клінічним діагнозом.

Рання діагностика судинних захворювань мозку з використанням оболонки ЕС «Універсал». Мозковий інсульт є однією з найбільш поширених причин загибелі та інвалідності сучасних людей. Якщо в минулі роки смертність, зумовлена мозковим інсультом, займала третє місце після ішемічної хвороби серця та онкологічних захворювань, то останнім часом вона перемістилася на друге місце.

Особливо висока смертність спостерігається серед людей з артеріальною гіпертензією та атеросклерозом, що дозволяє інколи вважати, що в боротьбі з мозковими інсультами основну увагу слід приділяти первинній профілактиці, перш за все профілактиці артеріальної гіпертензії та атеросклерозу. За цією стратегією профілактику артеріальної гіпертензії пропонують починати з юнацького, а атеросклерозу - з раннього дитячого віку. У цьому випадку виникає ряд питань. По-перше, кого піддавати такій профілакгиці? Якщо всіх, тоді виникає друге запитання - яким чином це можна забезпечити? Якщо не всіх, то як знайти осіб, особливо схильних до дії чинників ризику? І нарешті, якщо такі особи знайдені, то які саме профілактичні заходи повинні бути використані?

Водночас добре відомо, що крім профілактики захворювань (первинної профілактики) існує профілактика їх ускладнень (вторинна профілактика).

Рішення якщо не всіх, то принаймні частини наведених вище питань може бути істотно полегшене внаслідок використання оболонки експертної системи (ОЕС) «Універсал», налаштованої на ранню діагностику таких захворювань і їх ускладнень з урахуванням існуючих верифікованих і досить ефективних методик.

Одна з простих методик подібного роду полягає у використанні прогностичної карти, що містить усього 11 чинників ризику. Фрагмент цієї карти, створеної на основі методу експертних оцінок і призначеної для прогнозування виникнення мозкових інсультів, наведений в таблиці 1.12.



Таблиця 1.12.

Фрагмент карти для прогнозування виникнення мозкових інсультів

Ознаки	Значення ознак	Бали
1. Склероз судин мозку	Помірне	2
	значне	3
2. Систолічний тиск	151 -160 мм рт.ст.	1
	вище 160 мм рт.ст.	3
3. Діастолічний тиск	100 мм рт.ст. і вище	3
4. Біль в області серця	Частіше ніж 1 раз на тиждень	1
5. Зміни судин очного дна	Значні (звуження артерій, їх звивистість тощо)	3

Суть методу експертних оцінок така. Спочатку експерти складають перелік основних чинників ризику, кожному з яких привласнюють числове значення (кількість балів). Потім на навчальній групі верифікують складений перелік, прагнучи досягти 90%-ної точності прогнозу. Кінцеві висновки про ефективність методики роблять за наслідками апробації переліку на контрольній групі - якщо точність прогнозу перевищує 70%, карта визнається придатною для практичного застосування.

Таблиця 1.13

Фрагмент карти для прогнозування судинних захворювань мозку і гострих інфарктів у людей з нормальним артеріальним тиском

Ознаки	Значення ознак	Бали
1. Атеросклероз судин головного мозку	стадія	1
	стадія	2
	стадія	4
2. Зміни судин очного дна	У вигляді звуження і звивистості артерій, «Салюс І, II або III», симптоми «мідного дроту», «срібного дроту», антигіопатія сітківки	2
3. Порушення мозкового кровообігу, що минають	У вертебро-базилярному басейні	2
	У каротидному басейні	3
4. Зміни серця за даними ЕКГ	Значні зміни	1
		3
5. Стенокардія	Почастішання або поява нападів стискаючих загрудинних болів	2

Діагностичне рішення приймають так. Бали ознак, що спостерігаються, підсумовують. Якщо у віці 30-50 років сума рівна 7, у віці 51-60 років -10, а у віці 61 рік і старше - 12 балам, то таких обстежуваних необхідно віднести до групи підвищеного ризику.

Інша методика використовується для прогнозування судинних захворювань мозку та гострих інфарктів у людей з нормальним артеріальним тиском. Числові значення ознак визначаються як значення оцінок умовної ймовірності Р(Yj/Хi). Згодом ці значення були «зіпсовані» шляхом заміни їх цілочисельними значеннями - балами (фрагмент такої карти наведений у табл. 1.13; у цілому карта містить 19 ознак) [79,89]. Однак у випадку необхідності можна повернутися до оцінок умовної ймовірності Р(Yj/Хi), тоді замість методу підсумовування балів можна використати метод зваженого голосування.

Діагностичне рішення приймають аналогічно. Бали ознак, що спостерігаються, підсумовують і констатують велику вірогідність виникнення мозкового інсульту або інфаркту міокарда, якщо сума балів становить 7 і більше.

Застосування систем автоматизації прийняття рішення, подібних до ОЕС «Універсал», значно підвищує надійність ранньої діагностики мозкових інсультів і гострих інфарктів міокарда.

Експертна система для клінічної епілептології. Епілепсія є одним із найпоширеніших серйозних захворювань мозку. Близько 20% населення хоча б один раз у житті мали приступ, що дає підозри стосовно епілепсії та вимагають диференційної діагностики. Від 1 до 5% населення в якийсь період життя хворіли, хворіють або захворіють на епілепсію. Об'єм проблеми, її мультидисциплінарність і ряд аспектів, що вимагають спеціальних знань, які суттєво виходять за рамки звичайних вимог, що ставляться до традиційних спеціалістів з неврології, психіатрії і тим більше до лікарів загальної практики, привели до появи порівняно нової спеціальності - епілептології.

Епілептологія - це науково-прикладна медична дисципліна, яка займається дослідженням і практичним розв'язуванням проблеми епілептології, патогенезу, діагностики, лікування і профілактики епілептичних та інших приступоподібних розладів, зумовлених короткочасними зворотними порушеннями функцій мозку, а також пов'язаними з цією проблемою організаційними і соціальними задачами.

Дамо орієнтовне уявлення щодо обсягу необхідної епілептологічної інформації:

необхідне знання не менше 60 різних форм епілепсії, їх патогенезу, основних симптомів, даних електроенцефалографії (ЕЕГ), нейровізуалізаційних методів дослідження, лабораторних даних, правил вибору ліків і їх дозування, прогнозу і стратегії ведення з урахуванням альтернатив розвитку захворювань;

необхідне знання нейрофармакології епілепсії, яка включає на сьогодні не менше 25 тільки офіційно зареєстрованих міжнародних найменувань. Окрім знань про механізми дії, показання (і протипоказання) для кожної форми епілепсії, необхідне знання про негативні побічні дії препаратів і способи їх уникнення, особливості взаємодії з іншими протиепілептичними і непротиепілептичними ліками (тисячі найменувань і відповідна кількість можливих комбінацій). Ці аспекти надзвичайно важливі і в більшості випадків є причиною неуспішного лікування, а інколи і фатальних ускладнень. Отже, неправильний вибір протиепілептичних ліків може привести до ускладнення приступів, які вже існують, виникнення нових і тяжких психічних порушень. Може виникнути резистентність до інших протиепілептичних препаратів. Неправильна комбінація протиепілептичних ліків, окрім можливості погіршення самої клініки епілепсії, може привести до розвитку тяжких змін свідомості і мозкових функцій, соматичних ускладнень з боку крові, печінки, інших внутрішніх органів і систем, до важкої токсичної енцефалопатії;

необхідне професійне знання ряду аспектів клінічної нейрофізіології, в першу чергу ЕЕГ, оскільки від цього залежить не тільки діагноз епілепсії та її форми, але й вибір препарату для лікування; оцінка на ранніх етапах лікування правильності вибору і дози; відслідковування ефективності терапії та можливих сторонніх ефектів; прийняття рішення про можливість відміни протиепілептичної терапії (виліковування). Достатньо згадати, що клінічний аналіз ЕЕГ вимагає знання щонайменше 10000 параметричних описів особливих типів електроенцефалограм і відповідних їм клінічних кореляцій, з яких близько половини так чи інакше належать до епілепсії;

необхідне знання легальних аспектів положення пацієнта з епілепсією, регламентованих спеціальними національними та міжнародними юридичними актами, які забезпечують права на працю, навчання і соціальні гарантії.

По-друге, і, ймовірно, головне -- навіть у випадку знання всього згаданого успішність лікування хворого виявляється різною у різних лікарів, що визначається такими розмитими (але, очевидно, реальними) факторами, як інтуїція, досвід, талант. При всій, на перший погляд, неформальності цих визначень їх все-таки можна формалізувати. За своєю суттю вони означають здатність залучити всі необхідні дані, придбані з літературних джерел і власного досвіду лікування хворих, відібрати з них необхідні та достатні, оцінити їх відносну діагностичну вагу, організувати їх у логічну систему міркувань і зробити правильний висновок. На сьогодні відома методологія математичного моделювання цієї функції, яка дозволяє реалізовувати її в практичній роботі у формі комп'ютерних програм. Такого роду програми носять назву систем на основі на знань (knowledge-based) або в перекладі -- експертних систем (EC). У таких EC використовуються математичні статистичні процедури (як правило, на основі варіаційної статистики і теорії ймовірності), що дозволяють отримувати статистично надійні тактичні рішення на основі мультипараметричного аналізу "ненадійних" даних.

Далі на тестових групах пацієнтів з верифікованими діагнозами проводиться статистичне оцінювання діагностичної чутливості та специфічності системи і відповідне її дороблення.

Чутливість системи визначається процентом правильно розпізнаних випадків цільового захворювання від загальної кількості таких пацієнтів у тестовій групі, яка включає багато інших захворювань. Специфічністю називається процент правильно розпізнаних випадків від загальної кількості випадків, розпізнаних системою як цільове захворювання.

Однією з основних вимог до ЕС є можливість необтяжливо та органічно входити у роботу практичного лікаря, забезпечуючи роботу на рівні світових стандартів і одночасно полегшуючи та прискорюючи процес роботи з пацієнтом. Для цього, окрім перелічених вище задач, програма повинна містити підготовку й архівування історії хвороби пацієнта, поєднання її' з організаційною реєстраційною системою, тобто кодування в системі міжнародної класифікації хвороб МКБ-10 (ІСО-Ю), можливість включення в комп'ютерні мережі відповідного медичного закладу.

Основною практичною вимогою до ЕС є надання користувачу без додаткових затрат часу і непродуктивних зусиль повних, точних і необхідних саме в потрібний момент роботи з пацієнтом даних із числа згаданих вище, а також довідок і підказок, які допомагали б орієнтуватись у виборі подальшої стратегії роботи з пацієнтом. Фактично мова йде про таку організацію знань, яка відтворювала б логіку клінічного мислення. Система містить гігантські об'єми інформації, яка у випадку звичайної організації її у вигляді алфавітного довідника за ключовими словами практично не використовується (оскільки користувач у більшості випадків не знає, що, де і коли шукати). У випадку правильної алгоритмічної послідовної функціональної архітектоніки за допомогою осмисленого організованого інтерфейсу вона веде лікаря у відповідності з отримуваною на кожному етапі обстеження інформацією, логікою клінічного мислення і кінцевою цільовою установкою.

Така ЕС реалізована в апараторно-програмному епілептологічному комплексі (АПЕК) на базі комп'ютеризованого електроенцефалографічного аналізатора АЛЬФА-УЕБ-Т-01[31]. Більш детально вона описана в.

Експертна система забезпечує:

діагноз і оцінку ризику епілепсії;

формулювання діагнозу з вказівкою форми епілепсії(або неепілептичного захворювання) і типу приступів, а також видачу індивідуальних рекомендацій щодо лікування, вибору та індивідуального дозування протиепілептичних препаратів;

поточну комплексну оцінку складності захворювання і контроль оптимальної дози препаратів, часу і темпу відміни фармакотерапії після виліковування;

архівування історій хвороби в комп'ютері;

доступ до довідкових даних стосовно клініки і фармакотерапії з кожного пункту роботи з програмою.

Структурна схема експертної системи для клінічної епілептології показана на рис. 1.5. На цьому рисунку використовуються такі скорочення: ЕЕГ - електроенцефалограма; ЕІР - електроенцефалографічний індекс ризику; КІР - клінічний індекс ризику.

Центральну частину ЕС утворює блок діагностики й оцінювання ризику епілепсії. Основна складність діагнозу -- це відсутність у переважній більшості прямої інформації про наявність і характер приступів у хворого. Тому програма ґрунтується на мультипараметричному аналізі клінічних даних, отриманих поза приступом, і в принципі забезпечує можливість правильного діагнозу у випадку відсутності або хибної інформації про наявність (або відсутність) приступів, або у випадку симульованих (псевдоепілептичних) приступів. В основу покладені дані обстеження популяції, що включає здорових, пацієнтів з неепілептичними приступами, осіб з генетичним ризиком епілепсії, пацієнтів з фебрильними судомами, ізольованим епілептичним приступом і з епілепсією. З більше ніж 400 клінічних і елеюгроенцефалографічних параметрів і ознак тільки 16 клінічних та 21 електроенцефалографічна ознака з високою надійністю відрізняють групи хворих на епілепсію від здорових і хворих неепілептичними захворюваннями.

Клініко-електроенцефалографічний індекс ризику (КЕІР) епілепсії є сумою електроенцефалографічного та клінічного індексів.

Для кожного індексу на основі варіаційної статистики отримані вірогідні інтервали, перевищення яких свідчить про ризик епілепсії за цим індексом. У відповідності з кількістю індексів, що перевищують критеріальний рівень, суб'єкту приписується ступінь ризику від 0 до 3, причому третій ступінь ризику відповідає діагнозу актуальної епілепсії зі специфікою діагностики 100%. В останньому випадку ЕС пропонує лікарю вибір форми епілепсії і типу приступу. Формулювання діагнозу забезпечує узгоджену з ним видачу індивідуальних рекомендацій щодо лікування, вибору і дозування протиепілептичних препаратів. Оскільки в таблицю визначення КІР включені тільки діагностичні значущі дані, то час клінічного обстеження різко скорочується.

На основі цих ознак розроблені мультипараметричні індекси ризику (ІР) епілепсії, що є сумами діагностичних ваг, які відповідають статистичній вірогідності кожної діагностичної ознаки: клінічний (КІР)



Рис. 1.5. Структурна схема експертної системи для клінічної епілептології

У випадку 0-2-го ступеня ризику епілепсії ЕС видає в одних випадках діагностичні висновки та рекомендації, а в інших пропонує лікарю подальші стратегії діагностики. Оскільки в цих випадках не є винятком деякі форми епілепсії, ЕС у випадку частих приступів рекомендує проведення ЕЕГ- відеомоніторингу, включеного в апаратно-програмний комплекс, у випадку нечастих - розцінює їх, у відповідності з прийнятими стандартами, як прояв неепілептичного захворювання.

Оскільки ІР складаються з ознак, більшість яких змінюються в часі, вони є гнучкою мірою, що дозволяє в кожний момент у точних кількісних параметрах оцінювати стан обстежуваного і переміщувати його шкалою міри ризику з відповідною зміною тактики його ведення. Поточне кількісне оцінювання тяжкості захворювання дозволяє контролювати оптимальну дозу препаратів, час і темп відміни фармакотерапії в ході лікування.

База даних зберігає повну інформацію на кожного пацієнта і тим самим забезпечує архівування і автоматичний пошук історії хвороби за її номером або прізвищем.

Довідкові підпрограми містять рецептурний довідник і Міжнародну класифікацію епілепсій і синдромів з їх описом.

Алгоритми ЕС є розгалуженим деревом умовних операцій з різними перехресними перевірками. В процесі реалізації було вирішено відмовитись від використання закритих (бінарних) форматів баз даних на користь власного набору текстових форматів. Набір форматів був розроблений так, щоб дати можливість швидкого редагування як даних, так і більшості параметрів самих алгоритмів.

Експертна система реалізована мовою С++ з використанням ефективних механізмів динамічної рекурсивної побудови деревоподібних структур об'єктів і елементів інтерфейсу користувача.

Функціонування ЕС ґрунтується на двох потоках інформації: даних, отриманих за допомогою візуального і кількісного аналізів ЕЕГ, і результатах клінічного дослідження. Вхід у систему можливий як з клінічної, так і з енцефалографічної бази даних.

Аналіз ЕЕГ здійснюється за допомогою діагностичної бази даних ЕЕГ "Тезаурус-2000", розглянутої в. Ця база складається з двох частин, що знаходяться у взаємно-однозначній відповідності:

ієрархічно організованого списку всіх можливих типів нормальних і патологічних ЕЕГ;

списку описів основних видів активності та графічних елементів ЕЕГ.

Оператору спочатку видається перший список, з якого він на основі

аналізу ЕЕГ вибирає необхідний висновок, і після цього видається текст з другого списку, що містить перелік тільки тих видів активності і графоелементів і тільки з тими параметрами, які відповідають певному клінічно-електроенцефалографічному висновку для певного пацієнта з врахуванням його віку.

Далі оператору пропонується ще раз проаналізувати ЕЕГ, виділивши діагностично значимі види активності та графоелементи, зібрані в таблицю, де вони скомпоновані в групи так, що діагностичну вагу має група, а не окрема ознака.

За результатами аналізу таблиць ЕІР та КІР система може прийняти декілька рішень:

у пацієнта 0...2 ступінь ризику епілепсії і проводити більш глибокий аналіз недоцільно. В цьому випадку відразу видається текст висновку з відповідними рекомендаціями;

у пацієнта 0...2 ступінь ризику епілепсії та неепілептичні приступи. Система пропонує зі списку довідкової програми відповідну клінічну форму і вводить її в текст висновку;

у пацієнта 3 ступінь ризику епілепсії (актуальна епілепсія), або 1 чи 2 ступінь, але існує ряд додаткових факторів, що вимушують запропонувати більш глибокий аналіз.

Експертна система враховує досить складні ситуації, коли, наприклад, вибір ліків залежить від того, які типи приступів дозволені для цієї форми епілепсії. В деяких випадках враховується не тільки тип приступу, а І ступінь ризику епілепсії.

Після вибору форми епілепсії видається прогноз захворювання, рекомендації стосовно лікування та список препаратів. Після вибору препаратів вводиться вага пацієнта і пропонується вибрати дози, що рекомендуються.

У текст висновку заносяться всі результати виконаної роботи: опис основних видів активності та графічних елементів ЕЕГ, клінічні дані, вибрані форма епілепсії та типи приступів, прогноз, терапія тощо.

Для всіх пацієнтів ведеться архів його ЕЕГ-записів, текстів висновків, а також спеціальної інформації стосовно ІР та кількості приступів за останній місяць. У випадку наявності невеликого досвіду роботи і певної неврологічної кваліфікації для проведення обстеження та винесення діагнозу потрібно 3...5 хвилин часу.

Використання розглянутої ЕС дозволило досягти значного покращення у 90 % хворих, повного припинення приступів - у 80 % хворих.



2. Використання експертних систем для розпізнавання образів у медицині

Задача розпізнавання образів полягає у визначенні, до якого класу об'єктів (образу) може бути віднесений об'єкт, що розпізнається. Під класом розуміється деяка підмножина об'єктів з близькими властивостями.

На сьогодні для розпізнавання образів використовується велика кількість методів, детальний розгляд яких виходить за межі цього посібника. Тут тільки стисло розглянемо особливості задачі розпізнавання образів у медицині, зокрема розпізнавання біомедичних сигналів.

У медицині задача розпізнавання образів близька до задачі діагностики. Наприклад, форма електрокардіограми (ЕКГ) є характеристикою того, нормально функціонує серце чи ні, і задача діагностики зводиться до розпізнавання ЕКГ здорових і хворих пацієнтів. Для того, щоб виконати розпізнавання, необхідно спочатку створити опис об'єкта, тобто виміряти деякі його характеристики. Найпростіший метод полягає у дискретизації ЕКГ, тобто у виборі значень х(t1),...,х(tn) ординат кривої ЕКГ, виміряних у рівновіддалені моменти часу t1,..,tn (рис.1.6). Крок дискретизації ?t=ti-ti-1 вибирається згідно з теоремою Котельникова.

Рис. 1.6. Дискретизаціїкривої

Таким чином кожна крива ЕКГ виражається вектором в п-мірному просторі, а множина кривих утворює розподіл вектора X в n-мірному просторі (криві ЕКГ завжди відрізняються одна від одної, тому вектор X є випадковим). Наводиться простий двовимірний приклад двох розподілів, що відповідають нормальному і патологічному станам серця (рис. 1.7). Якщо ці два розподіли вектора X відомі з минулого досвіду, то можна встановити між ними межу g(x1,x2), яка ділить двовимірний простір на дві області. Під час розпізнавання нової кривої ЕКГ залежно від знаку функції g(x1,x2) можна прийняти рішення стосовно відповідності цієї кривої нормі або патології.

Функцію g(x1,x2) називають дискримінантною (розв'язувальною) функцією, а технічний пристрій, що визначає знак g(x1,x2), - блоком прийняття рішень. На рис. 1.8 показана структурна схема системи розпізнавання в n- мірному просторі. Потрібно відзначити, що в цьому випадку розглядається тільки розпізнавання образів у двох класах (нормальний стан та патологія), що суттєво спрощує задачу розпізнавання.

Рис. 1.7. Приклад розпізнавання нормального та патологічного станів

Рис:1 8. Структурна схема системи розпізнавання образів

Щоб спроектувати систему розпізнавання, потрібно вивчити характеристики розподілу вектора ЛГ для кожного класу і визначити відповідну дискримінантну функцію. Складність такого підходу полягає у великій розмірності івектора ознак розмірність^ що може досягати декількох тисяч. Водночас' відомо, що людина -для розпізнавання використовує невелику кількість Ознак, кожна з яких несе значну інформацію і вибирається відповідно до фізичного значення задачі.

Щоб спростити рішення розглянутої задачі потрібно вибрати найбільш інформативні ознаки.

Вибір найбільш інформативних ознак можна розглядати як відображення и.-мірного простору в простір меншої розмірності А", в процесі якого необхідно зберегти властивість роздільності розподілів, що відповідають різним класам.

У результаті отримують новий вектор ознак Y={у1,...,уk}, який є системою похідних ознак, по відношенню до вектора Х={х1,...,хп} первинних ознак. Наприклад, у простому випадку практичного аналізу ЕКГ [3,79] на одному періоді ЕКГ встановлюють певну кількість характеристичних точок (на рис. 8.9 наведені 24 характеристичні точки), що визначають моменти часу t1,...,tm і відповідні їм ординати ж(t1),..., ж(tm) кривої ЕКГ, за якими можна обчислити к значень так званих графоелементів (інтервали хвиль і комплексів, амплітуди, кривизну ліній тощо), які утворюють вектор Y={у1,...,уk}. Встановлення характеристичних точок при цьому можна розглядати як своєрідне «проріджування» масиву Х={х1,...,хп},в результаті якого вектор X трансформується у вектор О={t1 ж(t1);...;tm ж(tm)}- і лише потім вектор О перетворюють у вектор Y.



Рис. 8.9. Приклад характеристичних точок ЕКГ

Отже, задача розпізнавання образів складається з двох частин: вибір інформативних ознак та формування розв'язувального правила.

Класифікація та особливості систем розпізнавання

Відомо багато підходів до класифікації систем розпізнавання образів. Використаємо класифікацію, наведену в, згідно з якою системи розпізнавання поділяються на:

прості та складні системи;

однорівневі та багаторівневі системи;

системи без навчання, системи, що навчаються і системи з самонавчанням;

детерміновані, імовірнісні, логічні та структурні (лінгвістичні) системи;

традиційні та перспективні (експертні) системи.

Прості та складні системи. Розділення на прості та складні системи проводиться залежно від того, чи мають ознаки, що використовуються для опису об'єктів, які розпізнаються, єдину чи різну фізичну природу. До простих відносяться, наприклад, системи розпізнавання ЕКГ, в яких ознаки є сукупністю відліків ЕКГ. До складних систем медичної діагностики відносять такі, де як ознаки (симптоми) можуть використовуватися результати аналізу крові, ЕКГ, температури, динаміки кров'яного тиску, ультразвукових досліджень тощо.

Однорівневі та багаторівневі системи. Цей рівень класифікації залежить від того, які ознаки використовуються для прийняггя рішення про об'єкти, що розпізнаються - первинні, вторинні тощо.

Наприклад, система розпізнавання ЕКГ, в якій як ознаки використані відліки х(t1),...,х(tn)кривої ЕКГ, є однорівневою; система, в якій ознаками служать графоелементи ЕКГ, тобто елементи вектора Y, є багаторівневою (трирівневою, якщо врахувати, що вектор ознак X перетворюють спочатку у вектор О, а потім - у вектор Y).

Системи без навчання, системи, що навчаються і системи з самонавчанням. У системах без навчання первинної апріорної інформації достатньо, щоб визначити описи ознак, класів, і розв'язувальні правила. Коли ознаками є ймовірність, то описами ознак і класів є умовна густина розподілу ймовірності значень ознак х(t1),...,х(tn)для кожного класу w1,...,wn, тобто функції Р(Х/wi), і=1,...,т, а також апріорні ймовірності Р(wi), i=1,...,т появи об'єктів відповідних класів.

У системах без навчання апріорно відомі або самі функції Р(Х/wi) іР(wi), і=1,...,т або їх оцінки.

Системи, що навчаються, відрізняються тим, що для них визначені переліки ознак і класів, проте описи зв'язків між ознаками і класами відсутні або недостатні для їх використання. Такі системи характеризуються вибір«навчанням з учителем». На етапі навчання «вчитель» багато разів подає системі екземпляри навчальної вибірки об'єктів усіх класів і вказує, до яких класів вони належать. Потім на етапі «іспиту» «учитель» перевіряє якість роботи системи, надаючи їй екземпляри контрольної вибірки, що також містить об'єкти всіх класів. Процедури навчання і контролю чергуються до тих пір, поки не буде досягнута необхідна якість розпізнавання, що характеризується частотою помилкових відповідей.

Для систем із самонавчанням визначені лише переліки ознак - решта ми з апріорної інформації відсутня. На стадії навчання системи їй надають навчальну вибірку об'єктів, не вказуючи, однак, до яких класів вони належать.

Ці вказівки замінюються набором правил, відповідно до яких система розпізнавання сама виробляє розв'язувальне правило.

У процесі побудови систем, які навчаються, і систем з самонавчанням доцільно використовувати принцип зворотного зв'язку, тобто мова йде про принципову можливість донавчання системи за результатами розв'язку задачі розпізнавання.

Детерміновані, ймовірнісні, логічні та структурні (лінгвістичні) системи. В алгоритмах детермінованих систем розпізнавання використовується поняття відстані між об'єктами, що розпізнаються, та еталонами класів. У цілому для рішення задач розпізнавання образів використовуються відстані Евкліда, Хемінга або Левенштейна. Відстань Евкліда визначає міру близькості між об'єктами в просторі ознак (геометричний принцип); відстань Хемінга визначає міру близькості між двійковими векторами однакової довжини, міра Левенштейна визначає кількість елементарних операцій (вставлення, стирання та заміни), що необхідні для перетворення опису одного об'єкту в інший. В детермінованих системах найчастіше використовується відстань Евкліда. Між ознаками та класами встановлюються жорсткі функціональні залежності.

У ймовірнісних системах для побудови алгоритмів розпізнавання використовуються методи, основані на теорії статистичних рішень. Між ознаками об'єктів, що розпізнаються, і класами, до яких ці об'єкти відносяться, встановлюються ймовірнісні залежності.

В логічних системах використовуються методи розпізнавання, що ґрунтуються на дискретному аналізі та численні висловлювань. Зв'язки між ознаками та класами задаються з використанням апарату бульової алгебри.

В структурних (лінгвістичних) системах для побудови алгоритму розпізнавання використовуються спеціальні граматики та мови, що складаються з речень, кожне з яких описує конкретний об'єкт, що належить до певного класу. Задача розпізнавання в цьому випадку зводиться до перевірки належності конкретного речення до певної мови (граматики). Для перевірки ступеня близькості між лінгвістичними одиницями (наприклад, словами) найчастіше використовується відстань Левенштейна.

В медичних експертних системах діагностики найбільш поширені детермінований та ймовірнісний підходи.

Детерміновані системи ґрунтуються на реалізації таких основних методів:

метод пошуку клінічного прецеденту:

метод ідентифікації;

метод фазового простору;

метод лінійних дискримінантних функцій.

У випадку використання методу пошуку клінічного прецеденту за даними, що описують стан хворого, в медичному архіві знаходиться випадок, що збігається за показниками з ситуацією, що спостерігається. Мова може йти про повний (повний прецедент) або частковий збіг (частковий прецедент). Недолік цього методу полягає в необхідності зберігання великих архівів інформації.

Метод, ідентифікації є, по суті, розвитком методу пошуку клінічного прецеденту. В цьому випадку використовується відстань Хемінга. Сукупність симптомів хворого подається у вигляді двійкового (бінарного) вектора, в якому 1 означає наявність певного симптому, а 0 - його відсутність. Суть методу полягає у виборі мінімальної відстані Хемінга між вектором симптомів конкретного хворого та наявних еталонних векторів. Недоліком цього методу є його дискретність, тобто наявність тільки двох значень (0 або 1), що не дає змоги передати кількісні характеристики симптомів захворювання.

У методі фазового простору кожний симптом розглядають як одну з осей координат багатомірного простору з визначеною у цьому просторі метрикою, яка називається «фазовим інтервалом». Ознаками можуть бути будь-які дійсні числа, а не тільки 0 або 1. У випадку наявності великої кількості симптомів втрачається наочність, властива геометричним представленням, та ускладнюється реалізація системи.

Метод лінійних дискримінантних лінійних функцій деякою мірою дозволяє вирішити проблему, відому як «прокляття розмірності». У цьому випадку визначається сума зважених ознак, тобто багатомірний простір ознак перетворюється в одномірний. Однак тут виникає проблема визначення вагових коефіцієнтів, яка часто має суб'єктивний характер.

Традиційні та перспективні (експертні) системи розпізнавання образів

Особливість традиційних систем розпізнавання образів полягає в тому, що їх основу складають цілком визначені переліки ознак і класів. Кожний клас об'єктів досить чітко описується мовою цих ознак.

З цієї точки зору цікаво розглянути відмінності між традиційними ЕС та експертними системами розпізнавання образів.

Експертні системи розпізнавання образів є багаторівневими системами. Верхній рівень повинен приймати кінцеве рішення на основі оброблення логічних висновків нижніх рівнів системи. У цьому випадку системи як нижнього, так і верхнього рівнів, на відміну від традиційних ЕС, роблять висновки не шляхом порівняння з апріорною інформацією, а методами дедукції та індукції.

Один із фундаментальних методів, що використовується в системах розпізнавання образів, ґрунтується на теорії нечітких множин. У цьому випадку класи об'єктів відповідають нечітким множинам, а належність об'єктів до цих класів визначається за допомогою функції належності. Таким чином ЕС отримують необхідні знання з бази знань, генерують висновки про належність об'єктів до певних класів на основі методів дедукції, індукції та аналогії.

Практична частина

Назва програми: Експертна система діагностики хвороб

Мета: Створення системи яка б діагностувала задану хворобу.

Хід роботи

Як працює ЕС ?

Схема роботи експертної системи

Для створення експертної системи я використав оболонку ESWIN2, з якою дуже легко працювати. Як видно на схемі вона працює на співставленні варіантів хворого і правила з ідентичними відповідями і результатом про хворобу.

Інструкція користувачу

Запускаємо програмну оболонку-інтерпретатор ESWin2.В головному меню вибрати Файл/Открыть базу знань..., або натиснути кнопку Открыть БЗ на панелі інструментів. У вікні Открытие файла вибрати файл ES.klb. В головному меню вибрати Решение/Поиск рішення, або на панелі інструментів натиснути Решение. З'явиться вікно з першим запитанням. Відповідати на питання треба так: виділити правильну відповідь і натиснути кнопку ОК, або двічі клацнути мишею на обраному варіанті відповіді. Після того, як будуть дані всі відповіді, у нижній частині екрану з'явиться висновок-повідомлення про результат тестування, а також номер правила, за яким цей висновок було отримано.

Вигляд оболонки ESWIN2.



Як будувалася база даних ?

ЕСскладається:

2 фрейми.

Фрейм -це структура для опису стереотипної ситуації (події, об'єкту, поняття), що містить характеристики цієї ситуації (події, об'єкту, поняття) таїх значення.

Frame=цель

parent:

тест:

endf

Frame=Фактори

Parent:

Кашель [Який у вас кашель ?]: (Дуже сильний кашель;Кашель через 2 доби;Кашель понад 2 тижні;ні кашлю немає)

Шкіра[Зміна кольору та стану шкіри]:(Виражена блідність шкіри;Пожовтіння шкіри;Довгий Озноб(гусяча шкіра);Озноб в перші дні;Блідність обличчя;Свербіж шкіри;Сухість шкіри;Нормальний колір шкіри)

Температура[Яка у вас температура ?]:(Висока температура;Мале підвищення температури; Від 38 до 39; Задуха при невисокій температурі;НІ немає температури)

Головний біль[Чи присутній головний біль ?]:(присутній; Сильний пульсуючий біль і запаморочення; Ні немає головного болю)

Біль[Що вас болить?]: (У мязах; Біль в животі; З права; У нирках; У грудях;У суглобах; Без болю)

Ротова порожнина і Горло[Ротова порожнина і Горло]:(Біль при ковтанні; Постійна сухість горла; Без змін)

Слабкість[Відчуваєте слабкість]: (Так присутня, Не спостерігається)

Апетит[Який у вас апетит ?]: (Втрата апетиту;Нормальний)

Нудота[Відчуваєте нудоту ?]: (Так присутня;При головній болі;Ні)

Водовиділення[Водовиділення]: (Темніше від нормального;Мутне;Часте нічне; Нормальне)

Вага[Зміни в вазі ?]: (Втрата ваги; Збільшення маси ваги;Без змін)

EndF

Із правил.

Правила-продукції дозволяють подати знання у вигляді: ЯКЩО (умова) ТО (висновок), де умова -- це зразок, за яким здійснюється пошук у базі знань, а висновок -- дії або процедури, що виконуються при успішному завершенні пошуку (можуть бути проміжними, тобто такими, що виступають далі як умови, або цільовими, тобто такими, що завершують роботу системи та є результатом розв'язання задачі).

У ESWin правило виглядає як:

RULE Номер_правила

Умова 1

.....

Умова n

DO

Висновок 1

......

Висновок m

ENDR

Для розрахунку всіх можливих комбінацій я використав мову С++,

за допомогою якої я розрахував 21780 правил.

Текст програми для розрахунку комбінацій варіантів відповідей:



#include "stdafx.h"

#include "conio.h"

#include "stdlib.h"

#include "math.h"

long int ** chusla;

int pravulo (int chuslo)

{

int sum;

int t;

sum=0;

for (int i=1; i<=chuslo;i++)

{

sum=sum+i;

}

t=sum;

return t;

}

void pochatok (int nomer_pravula)

{

FILE *t;

t=fopen("spusok.txt","a");

int kilkist=0;

for (int j=1; j<=1; j++)

{

fprintf(t,"Rule %d \n", nomer_pravula);

for (int i=1; i<=11; i++)

{

chusla[j][i]=i;

fprintf(t,"%d s \n",chusla[j][i]);

kilkist=kilkist+1;

}

fprintf(t," Do \n");

fprintf(t," EQ(Тест; У вас ГЕПАТИТ з ймовірністю %d відсотків.) \n",kilkist*100/11);

fprintf(t,"EndR \n");

fprintf(t,"\n");

}

fclose(t);

}

void odna_cufra(int nomer_pravula)

{

FILE *t;

t=fopen("spusok.txt","a");

int kilkist;

for (int i=1; i<=11; i++)

{

fprintf(t,"Rule %d \n",nomer_pravula+i);

kilkist=1;

for(int j=1; j<=11;j++)

{

if (i == chusla[1][j]) {continue;}

chusla[i+1][kilkist]=j;

fprintf(t,"%d s \n",chusla[i+1][kilkist]);

kilkist=kilkist+1;

}

fprintf(t," Do \n");

fprintf(t," EQ(Тест; У вас ГЕПАТИТ з ймовірністю %d відсотків.) \n",(kilkist-1)*100/11);

fprintf(t,"EndR \n");

fprintf(t,"\n");

}

fclose(t);

}

void vuvid(long int nomer_rjadka,long int nomer_pravula,int prp)

{

FILE *t;

int l,pr,z=1;

int n,m=1;

int k=1;

int kilkist;

int propusk[16],propusk1[16],propusk2[16];

pr=0;

for (int i=1;i<=11;i++)

{

l=0;

for (int j=1;j<=11;j++)

{

if (i == chusla[nomer_rjadka][j]) {l=l+1;}

}

if (l == 0) {propusk[k]=i; k=k+1;}

if (k == 8) {exit(1);}

}

for (int i=1;i<=11;i++)

{

l=0;

for (int j=1;j<=11;j++)

{

if (i == chusla[nomer_rjadka+1][j]) {l=l+1;}

}

if (l == 0) {propusk1[z]=i; z=z+1;}

}

for (int i=1;i<=11;i++)

{

l=0;

for (int j=1;j<=11;j++)

{

if (i == chusla[nomer_rjadka-1][j]) {l=l+1;}

}

if (l == 0) {propusk2[m]=i; m=m+1;}

}

if (propusk[1]<(11-(k-2)))

{

n=2;

if (propusk[1]== propusk2[1]) {propusk[1]=propusk[prp];}

for (int j=propusk[1]+1;j<=11;j++)

{

if (j== propusk[n]) {n=n+1; continue;}

kilkist=1;

t=fopen("spusok.txt","a");

fprintf(t, "Rule %d\n",nomer_pravula+pr);

pr=pr+1;

for (int i=1; i<=11-prp; i++)

{

if (j==chusla[nomer_rjadka][i]) {continue;}

chusla[nomer_pravula+(pr-1)][kilkist]=chusla[nomer_rjadka][i];

fprintf(t,"%d s \n",chusla[nomer_rjadka][i]);

kilkist=kilkist+1;

}

fprintf(t," Do \n");

fprintf(t," EQ(Тест; У вас ГЕПАТИТ з ймовірністю %d відсотків.) \n",(kilkist-1)*100/11);

fprintf(t,"EndR \n");

fprintf(t,"\n");

fclose(t);

}

}

else

{

if (z>k) {prp=prp+1;}

vuvid(nomer_rjadka+1,nomer_pravula+pr,prp);

}

if (z>k) {prp=prp+1;}

vuvid(nomer_rjadka+1,nomer_pravula+pr,prp);

}

int _tmain(int argc, _TCHAR* argv[])

{

FILE *t;

int nomer_pravula=7261;

t=fopen("spusok.txt","wt");

chusla= new long int*[100000];

for (int i=1; i<=100000; i++)

{

chusla[i]=new long int[16];

}

pochatok(nomer_pravula);

odna_cufra(nomer_pravula);

vuvid(2,nomer_pravula+11,1);

return 0;

}

Список хворіб які діагностує ЕС:

Пневмонія

Грип та гостра респіраторна інфекція (ГРІ)

Гепатит

Дифтерія

Пієлонефрит

Ангіна

Анемія

Артрит

Мігрень

Діабет

Туберкульозу

Захворювань щитовидної залози

Правила за якими ЕС діагностувала хворобу на 100 %

Захворювання щитовидної залози

Rule 1

EQ(Фактори.Кашель; ні кашлю немає)

EQ(Фактори.Шкіра; Сухість шкіри)

EQ(Фактори.Температура; НІ немає температури)

EQ(Фактори.Головний біль; ні немає головного болю)

EQ(Фактори.Біль; без болю)

EQ(Фактори.Ротова порожнина і Горло; без змін)

EQ(Фактори.Слабкість; так присутня)

EQ(Фактори.Апетит; нормальний)

EQ(Фактори.Нудота; ні)

EQ(Фактори.Водовиділення; нормальне)

EQ(Фактори.Вага; збільшення маси ваги)

Do

EQ(Тест;У вас ЗАХВОРЮВАННЯ ЩИТОВИДНОЇ ЗАЛОЗИз ймовірністю 100%.)

EndR

Мігрень

Rule 1

EQ(Фактори.Кашель; ні кашлю немає)

EQ(Фактори.Шкіра; Блідність обличчя)

EQ(Фактори.Температура; НІ немає температури)

EQ(Фактори.Головний біль; сильний пульсуючий біль і запаморочення)

EQ(Фактори.Біль; без болю)

EQ(Фактори.Ротова порожнина і Горло; без змін)

EQ(Фактори.Слабкість; не спостерігається)

EQ(Фактори.Апетит; нормальний)

EQ(Фактори.Нудота; при головній болі)

EQ(Фактори.Водовиділення; нормальне)

EQ(Фактори.Вага; без змін)

Do

EQ(Тест;У вас МІГРЕНЬ з ймовірністю 100%.)

EndR

Пневмонія

Rule 1

EQ(Фактори.Кашель; дуже сильний кашель;)

EQ(Фактори.Шкіра; виражена блідність шкіри)

EQ(Фактори.Температура; задуха при невисокій температурі)

EQ(Фактори.Головний біль; ні немає головного болю)

EQ(Фактори.Біль; у грудях)

EQ(Фактори. Ротова порожнина і Горло; без змін)

EQ(ФакториСлабкість;не спостерігається)

EQ(Фактори.Апетит; нормальний)

EQ(Фактори.Нудота; ні)

EQ(Фактори.Водовиділення; нормальне)

EQ(Фактори.Вага; без змін)

Do

EQ(Тест;У вас ПНЕВМОНІЯ з ймовірністю 100%.)

EndR

Ангіна

Rule 1

EQ(Фактори.Кашель; ні кашлю немає)

EQ(Фактори.Шкіра; Озноб в перші дні)

EQ(Фактори.Температура; від38 до 39)

EQ(Фактори.Головний біль; присутній)

EQ(Фактори.Біль; без болю)

EQ(Фактори. Ротова порожнина і Горло; біль при ковтанні)

EQ(ФакториСлабкість; так присутня)

EQ(Фактори.Апетит; нормальний)

EQ(Фактори.Нудота; ні)

EQ(Фактори.Водовиділення; нормальне)

EQ(Фактори.Вага; без змін)

Do

EQ(Тест;У вас АНГІНА з ймовірністю 100%.)

EndR

Діабет

Rule 1

EQ(Фактори.Кашель; ні кашлю немає)

EQ(Фактори.Шкіра; Свербіж шкіри)

EQ(Фактори.Температура; НІ немає температури)

EQ(Фактори.Головний біль; ні немає головного болю)