PAIRS Medical Diagnosis 1.0

Về PAIRS Medical Diagnosis

Chẩn đoán y tế là một chủ đề phức tạp và bị một số cạm bẫy. Mặc dù nghiên cứu về y học là một khoa học, thực hành là một nghệ thuật. Sai lầm có thể xảy ra với chi phí rất lớn cho bệnh nhân và gia đình và bác sĩ của họ. Hệ thống hỗ trợ quyết định lâm sàng (CDSS) được phát triển để giảm thiểu các lỗi. AI-MED được thiết kế để giúp các bác sĩ giảm thiểu sai sót trong thực hành của họ. Trong một nghiên cứu nó đã được tìm thấy rằng 225 000 bệnh nhân chết mỗi năm vì lỗi y tế bao gồm cả lỗi chẩn đoán (15%) và tác dụng phụ của thuốc (45%). CDSS được thực hiện bắt buộc để sử dụng tại Hoa Kỳ cùng với HIS để giảm thiểu những lỗi này. Chẩn đoán lỗi được thực hiện bởi các bác sĩ vì nhiều lý do. Các nhà tâm lý học đã nghiên cứu những điều này và thấy rằng các tính năng gây mất tập trung nổi bật có thể là một trong những lý do. Ví dụ, người ta có thể nghĩ rằng một số tính năng là quan trọng vì mối quan hệ hiện tại của họ với một số sự kiện nhưng có thể không được tham gia vào quá trình bệnh hoặc không liên quan đến chẩn đoán. Lý luận bị lỗi tương tự có thể là do sự thiên vị nhận thức hoặc xác nhận. Một số lỗi khác có thể là do neo hoặc đóng khung hoặc đóng cửa sớm khách hàng tiềm năng. AI-MED được thiết kế để giảm thiểu các lỗi này bằng cách phá vỡ quy trình. Quá trình chẩn đoán AI-MED gây rối cho chẩn đoán truyền thống (bằng cách không xem xét bất kỳ sự thiên vị nào luôn liên quan đến lý luận của con người) và do đó giảm thiểu lỗi.

Trí tuệ nhân tạo (AI) bao gồm xử lý ngôn ngữ tự nhiên (NLP) và hỗ trợ quyết định chẩn đoán (DDS) và là một phần của CDSS. Một số ví dụ về NLP bao gồm phân loại văn bản thống kê. Tuy nhiên, thuật ngữ lâm sàng rất phức tạp và thường dựa trên các thuật ngữ Latinh và Hy Lạp. Một danh pháp tiêu chuẩn hóa của thuật ngữ y tế-điều khoản lâm sàng (SNOMED-CT) đã được phát triển để phân loại văn bản. Các thuật ngữ (trên 300 000) được lập chỉ mục bằng 9 chữ số để mô tả chính xác và xử lý tự động. Các thuật toán được xây dựng để sử dụng chỉ số này để giải thích chính xác dữ liệu bệnh nhân. DDS được áp dụng trên dữ liệu bệnh nhân để chẩn đoán. Mạng lưới niềm tin xác suất Bayes là phổ biến và phương pháp xấp xỉ của chúng có thể được sử dụng để chẩn đoán. Hệ thống tham chiếu trí tuệ nhân tạo trợ lý bác sĩ (PAIRS) được phát triển theo các dòng tương tự. Nó có khoảng 28 000 liên kết tính năng bệnh cho khoảng 486 bệnh nội khoa và 2000 tính năng. Tính năng PAIRS bao gồm các triệu chứng, dấu hiệu hoặc xét nghiệm. Đó là AI bao gồm NLP và DDS. NLP dựa trên phân tích chỉ số từ SNOMED-CT. Đó là thuật toán tạo ra một chỉ số dựa trên từ mà từ đó các từ đồng nghĩa có thể được chọn và hiển thị. Người dùng có thể nhập dữ liệu dưới dạng một lượt thích và chương trình tìm kiếm từ đồng nghĩa của họ từ danh sách tính năng. AI-MED sử dụng cơ sở dữ liệu PAIRS. NLP thân thiện với người dùng cho phép một người nhập dữ liệu lâm sàng dưới dạng một lượt thích. Ví dụ, từ viết tắt được xác định một cách chính xác bởi NLP. Một khi dữ liệu bệnh nhân được nhập vào, người ta có thể chạy DDS.

AI-MED sử dụng phương pháp xấp xỉ của phương pháp Xác suất Bayes cho DDS của nó. Phương pháp này được xuất bản trên Tạp chí Nghiên cứu Trí tuệ Nhân tạo bởi Tommi Jaakkola và Michael Jordan vào năm 1999. Mỗi tính năng pairs được cân nặng (0,09 đến 0,99) theo cơ sở sinh lý bệnh của chúng và tầm quan trọng lâm sàng của chúng. Quyết định chẩn đoán được nhóm lại thành một trong mỗi nhóm cho: nhiễm trùng, tân sản, tự miễn dịch hoặc những người khác. DDS chạy trên dữ liệu bệnh nhân để đưa ra một tập hợp các chẩn đoán có thể. AI-MED cung cấp dữ liệu chẩn đoán bất kể bất kỳ sự thiên vị nào. Đối với bất kỳ dữ liệu bệnh nhân nhất định nào, nó xây dựng dữ liệu trường hợp từ cơ sở dữ liệu PAIRS. Dữ liệu trường hợp bao gồm trọng lượng, tỷ lệ mắc bệnh và các yếu tố rò rỉ thống kê của chúng. DDS được thiết kế để tính toán xấp xỉ xác suất của một căn bệnh. Xấp xỉ này có giới hạn trên và dưới. Độ chính xác của việc thực hiện các thuật toán đại số được xác minh bằng cách kết quả phù hợp số biến thể của 0,00004 đến 0,00009 giữa các giới hạn. Một ước tính xác suất Bayes được thực hiện để chẩn đoán. Cuối cùng, một tập hợp các cuộc điều tra được đề nghị để kiểm tra chẩn đoán có thể. Đầu ra có thể được lưu trong một tập tin để tham khảo thêm.