Συστήματα λήψης αποφάσεων στην Ιατρική – Η Εξέλιξη

Παπαδόπουλος Θάνος

Φυσικός Ιατρικής- Ακτινοφυσικός

Σύντομη Περιγραφή

• Ένας ορισμός (Spiegelhalter): Δυναμικά συστήματα γνώσης τα οποία χρησιμοποιούν δυο ή περισσότερα δεδομένα από τον ασθενή για να δημιουργήσουν μια οδηγία / συμβουλή για την συγκεκριμένη περίπτωση

• Διαβάθμιση συστημάτων– Από: Απλές ρουτίνες μετατροπής του συστήματος

απόφασης σε ηλεκτρονική εγκυκλοπαίδεια– Έως: Ευφυή συστήματα, μόνα τους εξαγάγουν την

γνώση και εκπαιδεύονται για επίλυση πολύπλοκων προβλημάτων

Η διάγνωση είναι συνολική διαδικασία

Πρώιμα Συστήματα• Έναρξη με την συλλογή των στοιχείων και

τερματισμός με την λήψη απόφασης και σύνταξη προτεινόμενης θεραπείας

• Ο ιατρός είναι παρατηρητής των διαδικασιών του συστήματος (χωρίς ιδιαίτερα περιθώρια παρέμβασης), λειτουργία συστήματος ανάλογη με «Μαύρο κουτί».

Σύγχρονα συστήματα• Σκεπτικό καταμερισμού της διαδικασίας διάγνωσης

σε αυτόνομα βήματα έτσι ώστε ανεξάρτητα ΚΣΛΑ να είναι υπεύθυνα για κάθε βήμα. Ο ιατρός μπορεί να αλληλεπιδράσει με το σύστημα

Βασικός στόχος των συστημάτων

• Διάγνωση & σχεδιασμός θεραπείας• Βασίζονται : κλινικά πρωτοκόλλα, ρουτίνες

εξετάσεων , ανάλυση μικροβιολογικών και αιματολογικών εξετάσεων

Πολύπλοκες διαδικασίες - αδυναμίες: • Ιατρική επιστήμη εμπεριέχει εμπειρική γνώση• Περιορισμένη γνώση σε βάθος των μηχανισμών

λειτουργίας και αντίδρασης σε συγκεκριμένες συνθήκες

• Αδυναμία πλήρους γνώσης της μεθοδολογίας επεξεργασίας των δεδομένων

Δυο βασικές προσεγγίσεις ευφυών συστημάτων

• Το σύστημα έχει σχεδιαστεί να εξομοιώνει την διαδικασία εκτίμησης του ιατρού χρησιμοποιώντας τα χαρακτηριστικά και τα δεδομένα που χρησιμοποιεί και ο ιατρός

• Το σύστημα εισαγάγει νέες διαγνωστικές παραμέτρους οι οποίες δημιουργούνται από την επεξεργασία και τη ανάλυση των συλλεγομένων σημάτων και των δεδομένων του ασθενούς. (εμπεριέχεται ο κίνδυνος με την μετα-επεξεργασίας των στοιχείων να δημιουργηθούν εσφαλμένες εκτιμήσεις λόγω της απουσίας των ενδιάμεσων βημάτων)

Τεχνολογίες μηχανισμών αιτιολόγησης

• Διαδικασία διάγνωσης: διαδρομή με πολλαπλά ερωτήματα και υποθέσεις τα οποία ο ιατρός πρέπει να απαντήσει για να προσδιορίσει την κατάσταση του ασθενούς και την πιθανή παθογένεια

Μηχανισμοί διάγνωσης με CDSSs

• Προσεγγίσεις βασιζόμενες σε κανόνες (χρήση απόλυτων κανόνων ή μεταβλητών με δεδομένο βαθμό αβεβαιότητας)

• Πιθανολογικά μοντέλα• Δομές με μηχανισμούς εκμάθησης

βασιζόμενα σε προ-διαγνωσμένα παραδείγματα

Προσεγγίσεις βασιζόμενες σε κανόνες

• Χρήση απόλυτων κανόνων ή μεταβλητών με δεδομένο βαθμό αβεβαιότητας)

• Συλλογή κανόνων και κριτηρίων για την δόμηση, συνήθως, δένδρων απόφασης

Αντιστοιχία κανόνων

• Πραγματικές καταστάσεις (βεβαιότητα)• Βαθμό αληθείας (ασαφής λογική)

• Αποτέλεσμα: Συνήθως χαμηλή επίδοση λόγω της αδυναμίας ακριβούς περιγραφής μια σύνθετης κατάστασης, αφού μια τέτοια είναι σύνθεση πολλών παραμέτρων χωρίς σαφή πεδία ορισμού τους.

• Όμως (ετσι και αλλιώς) οι πολλές ιατρικές αποδείξεις δεν είναι ντετερμινιστικές (σωστό / λάθος) αλλά μάλλον πιθανολογικές (πιθανό/απίθανο)

Πιθανολογικά μοντέλα

• Τα πιθανολογικά μοντέλα βασίζονται στον καθορισμό των σχέσεων - σχετικών πιθανοτήτων ανάμεσα στις μεταβλητές.

• Χρησιμοποιούνται σαν στοιχεία: βασικές εξαρτήσεις (εξάρτηση μιας μεταβλητής από άλλη)

• Πλεονέκτημα: συνδυασμός δεδομένων από διαφορετικές πηγές

Δομές με μηχανισμούς εκμάθησης βασιζόμενα σε προ-διαγνωσμένα

παραδείγματα.

• Ερευνητικό πεδίο • Ικανότητα ανίχνευσης και παραγωγής

συσχετισμών μεταξύ των δεδομένων βασιζόμενοι σε εκπαίδευση από παραδείγματα.

• Μέρος ή όλες οι μεταβλητές αποτελούν δεδομένα εισαγωγής σε ένα νευρωνικό δίκτυο.

Αδυναμία συστήματος

• Επεξεργασίας μεγάλου όγκου δεδομένων • Αν δεδομένα είναι περιορισμένα αδυναμία

εντοπισμού συγκεκριμένης ασθένειας ...• Νευρωνικά δίκτυα λειτουργών σαν μαύρα

κουτιά γεγονός που συντελεί στην δυσκολία αποδοχή τους από τους ιατρούς και δεν μπορεί να βασιστεί σε αυτά μια μεθοδολογία παροχής αποδείξεων ή επιχειρηματολογία πάνω στην διάγνωση.

Εξέλιξη των συστημάτων

Πρώτη γενιά συστημάτων • Τέλος της δεκαετίας του 1950• Αποτελούνταν από δέντρα αποφάσεων και

πίνακες αληθείας• Πολλά από τα συστήματα παρέμειναν σαν

ερευνητικά προγράμματαΔεύτερη γενιά• Σαν βάση οι στατιστικές μεθοδολογίες

Τρίτη γενιά:• Έμπειρα συστήματα και ευφυείς τεχνικές• Η αναζήτηση των ιατρών και η μεθοδολογία αξιολόγησης των

συστημάτων διαμόρφωσε διάφορους τύπους αλληλεπίδρασης μεταξύ των συστημάτων και των χρηστών

I. Ο ιατρός εισαγάγει τα δεδομένα του ασθενούς και το προφίλ του με την εισαγωγή των συμπτωμάτων ή απαντώντας σε ερωτήσεις

II. Το σύστημα επικοινωνεί άμεσα με συσκευές καταγραφής και ανάλυσης σημάτων απ΄οπου και ενημερώνεται για το προφίλ του εξεταζόμενου

III. Το σύστημα CDSS είναι τμήμα ενός ολοκληρωμένου συστήματος από το οποίο μέσω του «φακέλου ασθενούς» απ όπου και ενημερώνεται για τα στοιχεία του εξεταζόμενου

Εξέλιξη των συστημάτων

Μερικά Αξιόλογα Συστήματα CDSS

• LEEDS - Abdominal Pain System

• MYCIN

• INTERNIST Ι & ΙΙ / QMR

• DXplain

• ILIAD

• HELP: A Hospital Information System

Leeds Abdominal Pain System

• de Dombal • University of Leeds • Τέλη της δεκαετίας 1960

Σκοπός του συστήματος: • ανίχνευση της αιτίας και διάγνωση (οξέως) έντονου

κοιλιακού πόνου

Τεχνικές κατηγοριοποίησης • Εξαρτημένες πιθανότητες• Θεώρημα Bayes’

Χαρακτηριστικά στοιχεία Leeds

Ο εξεταζόμενος και κατ επέκταση η ασθένεια του κατατάσσεται σε μία από τις 7 κατηγορίες – αιτίες δημιουργίας κοιλιακού πόνου.

Η πιο πιθανή αιτία είναι μία από τις παρακάτω:

• Εκκολπωματίτιδα (diverticulitis)• Διαμπερές έλκος (perforated ulcer)• Σκωληκοειδίτιδα (appendicitis)• Παγκρεατίτιδα (pancreatitis)• Απόφραξη λεπτού εντέρου (small-bowel

obstruction)• Χολοκυστίτιδα (cholecystitis)• Γενικευμένος κοιλιακός πόνος (Non-specific

abdominal pain)

Χαρακτηριστικά στοιχεία Leeds

Στοιχεία εισαγωγής• Ιδιαίτερα χαρακτηριστικά ασθενειών ,

συμπτώματα , αποτελέσματα εξετάσεων• Το σύστημα έχει εκπαιδευτεί

(γνωσιολογική βάση συστήματος) βασιζόμενο σε προ-διαγνωσμένα περιστατικά

Η επίδοση του συστήματος: • για ανάλυση 304 περιστατικών... σωστή

διάγνωση στο 91.8% των εξεταστέων περιπτώσεων

• Επίδοση ιατρών: 65-80%

• Έχει χρησιμοποιηθεί σε νοσοκομεία ... ιδιαίτερα σε επείγοντα περιστατικά

• Σχόλιο: Η αναφερόμενη επίδοση ήταν η υψηλότερη που έχει αναφερθεί ...

• ερμηνεία.... διακύμανση στην προσέγγιση των ιατρών διαφορετική μεθοδολογία στην εισαγωγή των καταγεγραμμένων σημάτων και στις τιμές τους.

Χαρακτηριστικά στοιχεία Leeds

MYCIN

• Shortliffe• Στις αρχές της δεκαετίας του 1970• Στόχος: Διάγνωση και προτεινόμενη

θεραπεία σε ασθενείς που πιθανόν να έχουν μολυνθεί από κάποια ασθένεια

• Αποτελείται: Γνωσιολογική βάση που περιέχει μολυσματικές ασθένειες και πιθανές καταστάσεις που τις έχουν δημιουργήσει.

• Εξειδικευμένοι γιατροί έχουν χρησιμοποιηθεί για την σύνταξη της βάσης και την δημιουργία των συσχετισμών μεταξύ των διαφόρων τιμών των εξετάσεων και των εξειδικευμένων δεδομένων-συμπτωμάτων της κάθε ασθένειας.

• Βασικός – ειδικός στόχος: η ανίχνευσή των ασθενών που έχουν προσβληθεί από βακτεραιμία και μηνιγγίτιδα

Χαρακτηριστικά στοιχεία MYCIN

• Ανάπτυξη μεθοδολογίας κανόνων και χρήση αλυσιδωτών αιτιολογιών με δυνατότητες βρόγχων και μεθόδους επαγωγικών συλλογισμών (heuristic support).

• Σχεδιασμός: Περιέχονται εκατοντάδες IF-THEN κανόνων με δυνατότητα ανίχνευσης της ασθένειας περιορίζοντας τις λανθασμένες υποθέσεις.

Χαρακτηριστικά στοιχεία MYCIN

MYCIN: Αρχιτεκτονική

Κανόνας MYCIN

IF: 1) The gramstain of the organism is grampos2) The morphology of the organism is coccus3) The growth conformation of the organism is clumps

THEN: There is suggestive evidence (.7) that the identity ofthe organism is staphylococcus

• Εφαρμογή: Παρότι δεν έχει εφαρμοστεί κλινικά σε μεγάλη έκταση αποτελεί σταθμό και σημείο αναφοράς για τις μεθοδολογίες κανόνων.

• Τα επόμενα χρόνια αντίστοιχα συστήματα έχουν βρει εφαρμογή σε παρόμοιες ιατρικές εφαρμογές και σε άλλα ερευνητικά πεδία.

Χαρακτηριστικά στοιχεία MYCIN

INTERNIST Ι & ΙΙ / QMR

• Internist-I , University of Pittsburgh, Δεκαετία του 1970

• Quick Medical Reference (QMR). Αρχές δεκαετίας 1980

Σκοπός του συστήματος: • Η διάγνωση ασθενειών στην περιοχή της

γενικής ιατρικής – εσωτερικής παθολογίας (general internal medicine)

• Εκπαιδευτικό εργαλείο στην μεθοδολογία της διαφοροδιάγνωσης στηριζόμενο στα ιδιαίτερα χαρακτηριστικά των ασθενειών και των συμπτωμάτων τους.

Χαρακτηριστικά Internist

• Στο Internist-II (εξέλιξη του Internist-I) περιέχει στοιχεία για πάνω από 500 ασθένειες εσωτερικής παθολογίας (75% όλων των ασθενειών εσωτερικής παθολογίας)

• Η βάση γνώσεων του QMR περιλαμβάνει: Ιατρικό ιστορικό, συμπτώματα, κλινικά δεδομένα, δεδομένα ασθενούς και εργαστηριακά αποτελέσματα.

• Η περιγραφή των ασθενειών έχει βασισθεί: Ιατρική βιβλιογραφία, κλινικές παρατηρήσεις που έχουν οργανωθεί από εξειδικευμένους ιατρούς.

• Από τους ίδιους γίνεται ο καθορισμός των σχέσεων μεταξύ της ασθένειας και των κλινικών δεδομένων χρησιμοποιώντας: – βάρη συχνότητας, – τάσεις πρόκλησης και επηρεασμού – εισαγόμενες αριθμητικές παραμέτρους

Χαρακτηριστικά Internist

Θεμελιώδης ορισμός: Προφίλ της ασθένειας

• βάρη συχνότητας (frequency weight) - εκφράζουν την συχνότητα εμφάνισης ενός δεδομένου ευρήματος με την συγκεκριμένη ασθένεια.

• Τάσεις πρόκλησης και επηρεασμού (evoking strength) - εκφράζει – την πιθανότητα που παρουσιάζει ένας ασθενής με ένα

συγκεκριμένο εύρημα να έχει μολυνθεί από την ύποπτη ασθένεια

– την πιθανότητα ύπαρξης της ασθένειας όταν το συγκεκριμένο εύρημα υπάρχει

• Εισαγόμενες αριθμητικές παραμέτρους(import number parameters): δείκτης που ορίζει τις ισχυρές συνέπειες που θα αναλυθούν αν έχουν προκληθεί από μη φυσιολογική λειτουργία / συμπεριφορά

• Αποτέλεσμα απόφασης: ποιοτικό, μη πιθανολογικό

Χαρακτηριστικά Internist

Εύρος τιμών παραμέτρων

Προφίλ ασθένειας

Προφίλ ασθένειας

NAME Primary Hyperparathyroidism

• MANIFESTATIONS– Serum phosphate decreased (ES3, FW3)– Constipation (ES0, FW2)– History of peptic ulcers (ES1, FW2)..... (plus many others)

• LINKS TO OTHER DISEASES– Causes Nephrolithiasis (ES2, FW3)– Predisposes-to Pyelonephritis (ES1, FW2)– Coincident-with Pheochromocytoma (ES2, FW2)

Εμπορική έκδοση QMR

Χαρακτηριστικά QMR

Το QMR εμπεριέχει τρεις διαφορετικές λειτουργίες:

• Διαγνωστική συσκευή για μεμονωμένο ασθενή: προτείνει την πιθανότητα να υπάρχει η συγκεκριμένη ασθένεια βασιζόμενοι στα συμπτώματα και στα κλινικά δεδομένα. (παροχή ομοιοτήτων και διαφορών σε ασθένειες υποστηρίζοντας την διαφοροδιάγνωση)

• Ηλεκτρονική εγκυκλοπαίδεια προσφέρει κατάλογο συμπτωμάτων και χαρακτηριστικών των ασθενών που συνδέονται με την ασθένεια

• Ιατρικό ευρετήριο σημαίνει ότι για δεδομένο σύμπτωμα QMR μπορεί να προτείνει την μεθοδολογία μεταχείρισης.

DXplain

• Ομάδα του Barnett - Massachusetts General Hospital (1986)

• Στόχος: παρέχει λίστα από διαγνώσεις οι οποίες μπορούν αν ερμηνεύουν την κλινική εικόνα βασιζόμενη στα κλινικά ευρήματα (σωματικά στοιχεία, συμπτώματα, εργαστηριακές εξετάσεις)

• Προτείνει διαδικασίες follow-up για πιθανή ασθένεια για τον εντοπισμό του αίτίας παρουσίας.

Χαρακτηριστικά DXplain

• Βάση γνώσεων: Περιλαμβάνει το ορισμό 4500 κλινικών καταστάσεων οι οποίες συνδέονται με 2000 ασθένειες.

• Σύστημα απόφασης: εξελιγμένη μορφή Bayesian λογικής

Συμπληρωματικά στοιχεία (αντίστοιχα με το QMR): • Ηλεκτρονική εγκυκλοπαίδεια • Σύστημα Ιατρικών αναφορών (παρουσίαση Demo την επόμενη ώρα)

ILIAD

• University of Utah in 1987• Στόχος: Αρχικά η διάγνωση ασθενειών

εσωτερικής παθολογίας αλλά η με αναβάθμιση του συστήματος περιλαμβάνει ασθένειες και από άλλους χώρους.

• Σύστημα απόφασης: Bayesian μεθοδολογία για τον υπολογισμό της πιθανότητας (posterior probabilities) παρουσίας μιας ασθένειας για δοθέντα σημεία νόσου και συμπτώματα.

• Χρησιμοποιείται ως εκπαιδευτικό εργαλείο για την εκπαίδευση ιατρών παρότι η επίδοσή του αξιολογείται.

Χαρακτηριστικά Iliad

• Διάγνωση στην περιοχή ασθενειών της εσωτερικής παθολογίας

• Καλύπτει 1500 ασθένειες βασιζόμενο σε χιλιάδες ευρήματα και στοιχεία

• Χρήση: εργαλείο εκπαίδευσης στην διαφοροδιάγνωση

• Αυτόνομη έκδοση - PC

Σύγχρονα συστήματα Ι • ΤΑ ΣΥΣΤΗΜΑΤΑ είναι ανεξάρτητες και

αυτόνομες εφαρμογές που στοχεύουν στην ανίχνευση και στην αιτιολόγηση (εξήγηση) μιας κατηγορίας ασθενειών.

Μελλοντική εξέλιξη της τεχνολογίας:• δικτυακές δυνατότητες σε CDSS συστήματα, • Ολοκλήρωση γνωσιολογικών βάσεων και

δεδομένων• Δημιουργία συστημάτων βασιζόμενων σε

δικτυακή χρήση (μέσω internet) μπορούν αν παρέχουν σύστημα υποστήριξης απόφασης και κλινική τεκμηρίωση σε απομακρισμένες περιοχές. (π.χ. νέα έκδοση DXplain)

Απαιτήσεις για ένα νέο σύστημα CDSS:

• Εμφάνιση μηνυμάτων κινδύνου και υπενθύμισης• Προτάσεις και βοήθεια στην διάγνωση• Σχολιασμός και πλάνο θεραπείας• Μέσο ανάκτησης πληροφορίας • Αναγνώριση προτύπων και εκτίμηση ιατρικής

εικόνας

Σύγχρονα συστήματα ΙΙ

HELP: A Hospital Information System

• HELP (Health Evaluation through Logical Processes): Αξιολόγηση κατάστασης υγείας μέσω λογικών επεξεργασιών

• Ολοκληρωμένο σύστημα λήψης αποφάσεων περιλαμβάνοντας την πλειοψηφία των διεργασιών που πραγματοποιούνται σε νοσοκομείο.

Χαρακτηριστικά HELP

Πληροφοριακό νοσοκομειακό σύστημα βασισμένο σε επεξεργασία γνώσεων που αποτελείται:

• Ανίχνευση γεγονότων απόρριψης ή αποτυχίας φαρμάκων (adverse drug events-ADE)

• Συλλογή κλινικών δεδομένων• Παρακολούθηση μονάδας εντατικής

θεραπείας • Σύστημα υποστήριξης λήψης αποφάσεων

Αρχική προσέγγιση HELP

• Παροχή προειδοποιήσεων (alerts) και υπενθυμίσεων βασιζόμενο στα δεδομένα του ασθενούς (συλλεγόμενα από διάφορα τμήματα του Νοσοκομείου)

• Σύγκριση μετρούμενων τιμών εξετάσεων • Εξαγωγή μηνυμάτων σε περιπτώσεις

υπερβάσεων των φυσιολογικών ορίων ή επικίνδυνων καταστάσεων.

Αρχιτεκτονική HELP I

Αρχιτεκτονική HELP II

Επεξεργασίες-Παροχές HELP

• Παροχή διάγνωσης στην περιοχή ασθενειών: Νοσοκομειακών μολύνσεων - λοιμώξεων

• Υποστήριξη (προτάσεις) στη διαχείριση του ασθενούς ανάλογα με την κλινική κατάστασή του

• Συμβολή στην τροποποίηση των κλινικών πρωτοκόλλων: με την επεξεργασία των αρχικών και των συνεχιζόμενα εμπλουτισμένων δεδομένων μπορεί να κριθεί η επίδοση και να επιλεγεί η βέλτιστη θεραπευτική αγωγή.

• Συνδυασμός δεδομένων ασθενούς με τη βάση πρωτοκόλλων.

• Βάση διαδικασιών και πρακτικών (εξάγεται από γνώση ειδικών, ιατρικής βιβλιογραφίας, κλινικά δεδομένα συγκεκριμένων περιστατικών)

Υλοποίηση του πρωτοκόλλου

Η υλοποίηση του πρωτοκόλλου περιλαμβάνει:• την δημιουργία αλγορίθμων για των υπολογισμό

των δεικτών, από τις μετρούμενες τιμές• ορισμό των κριτηρίων αναγνώρισης των εν

δυνάμει αλλεργιών λόγω συγκεκριμένων φαρμάκων

• αλληλεπιδράσεις φάρμακο-φάρμακο• Δυσλειτουργίες οργάνων• Αλλαγές & αλλοιώσεις σε σημαντικές

παραμέτρους του ασθενούς.

Παράδειγμα διάγνωσης Πνευμονίας

Σύστημα παροχής προειδοποιήσεων - Computerized

Laboratory Alerting System (CLAS)

Alerting Condition Criteria

Hyponatremia (NAL)Falling Sodium (NAF)Hypernatremia (NAH)Hypokalemia (KL)Falling Potassium (KLF)Hypokalemia, patient on digoxin(KLD)Hyperkalemia (KH)Metabolic acidosis (CO2L)

Hyperglycemia (GH)

Na+ < 120 mEq/lNa+ fallen 15+ mEq/l in 24 hr. and Na+ < 130Na+ > 155 mEq/lK+ < 2.7 mEq/lK+ fallen 1+ mEq/l in 24 hr. and K+ < 3.2mEq/lK+ < 3.3 mEq/l and patient on digoxinK+ > 6.0 mEq/lCO2 < 15 and BUN < 50or CO2 < 18 (BUN unknown)or CO2 fallen 10+ in 24 hr. and CO2 < 25Glucose > 500 mg%

Αποτελέσματα του CLASPatients Treated AppropriatelyPatients Treated Appropriately

Type of AlertType of Alert Baseline PeriodBaseline Period CLAS in UseCLAS in Use

Na+, K+ or Glucose

Metabolic Acidosis

Total

Na+, K+ or Glucose

Metabolic Acidosis

Total

45 / 66 (68.1%)

20 / 62 (32.3%)

65 / 128 (50.8%)

45 / 66 (68.1%)

20 / 62 (32.3%)

65 / 128 (50.8%)

57 / 68 (83.8%)*

18 / 52 (34.6%)

75 / 120 (62.5%)*

57 / 68 (83.8%)*

18 / 52 (34.6%)

75 / 120 (62.5%)*

Time in Life Threatening SituationTime in Life Threatening Situation

Type of AlertType of Alert Baseline PeriodBaseline Period CLAS in UseCLAS in Use

Na+, K+ or Glucose

Metabolic Acidosis

Na+, K+ or Glucose

Metabolic Acidosis

30.4 hr.

44.3 hr.

30.4 hr.

44.3 hr.

15.7 hr.*

26.5 hr.*

15.7 hr.*

26.5 hr.*

*P < 0.05

Αποτελέσματα του CLAS

Type of AlertType of Alert Baseline PeriodBaseline Period CLAS in UseCLAS in Use

Na+, K+ or Glucose

Mean Length of Stay (No Deaths)

Mortality

Na+, K+ or Glucose

Mean Length of Stay (All P’ts)

Mean Length of Stay (No Deaths)

Mortality

14.6 days

14.2 days

6 of 61

14.6 days

14.2 days

6 of 61

8.8 days*

6.9 days*

8 of 54

8.8 days*

6.9 days*

8 of 54

Metabolic Acidosis

Mean Length of Stay (No Deaths)

Mortality

Metabolic Acidosis

Mean Length of Stay (All P’ts)

Mean Length of Stay (No Deaths)

Mortality

14.9 days

15.4 days

11 of 62

14.9 days

15.4 days

11 of 62

11.2 days*

10.9 days*

4 of 52

11.2 days*

10.9 days*

4 of 52

*P < 0.05

Κανόνες στην βάση γνώσεων

Example 1. IF Penicillin-allergy=TRUE AND "penicillin" in [medication] THEN DC penicillin AND ALARM [physician] Example 2. IF no increase in PEEP in last TIME_INTERVAL THEN IF (there exists evidence of barotrauma) or (mode of ventilation is PC-IRV) or (Peak pressure is >= 50 cmH20) THEN Increase PEEP by 2 cmH20 or to 25 cmH20, whichever is smaller ELSE Increase PEEP by 5 cmH20 or to 25 cmH20, whichever is smaller ELSE Continue to monitor patient; draw ABG in 15 min.

Σημαντική συμβολή του HELPΣτις περιπτώσεις σύνθετων-πολύπλοκων ιατρικών

καταστάσεων όπως αερισμός κατά την διάρκεια της αναπνοής.

• Διαφορετικής φύσεως δεδομένα• Μεγάλος όγκος δεδομένων• Αξιολόγησή τους σε πραγματικό χρόνο• Πολύ δύσκολη η οργάνωση των δεδομένων και

η αναγνώριση κάποιας επείγουσας κατάστασης. Τα πρωτόκολλα προτείνουν οδηγίες για την αποφυγή τέτοιων καταστάσεων. Συνεχιζόμενη ενημέρωση μέσω αναφορών και μηνυμάτων των ιατρών για την κατάσταση του ασθενούς και για τις προτάσεις του συστήματος.

Βιβλιογραφία• [LEEDS] F. De Dombal, D. Leaper, J. Stanliland, A. McCann and J. Horrocks,

Computer-aided diagnosis of acute abdominal pain, Br. Med. J., 2(5804): 9-13, 1972.• [MYCIN] E. Shortliffe, S. Axline, B. Buchanan, T. Merigan and S. Cohen, An artificial

intelligence program to advise physicians regarding antimicrobial therapy, Comput. Biomed. Res., 6(6): 544-60, 1973.

• [INTERNIST-I] R. Miller, H. Pople and J. Myers, Internist-I, an experimental computer-based diagnostic consultant for general internal medicine, New Engl. J. Med., 397:468-76, 1982.

• [QMR] R. A. Miller, F. E. Masarie and J. Myers, Quick Medical Reference (QMR) for diagnostic assistance, M.D. Comput., 3: 34-48, 1986.

• [DXplain] G. O. Barnett, J. J. Cimino, J. A. Hupp and E. P. Hoffer, DXplain – an evolving diagnostic decision-support system, JAMA, 258: 67-74, 1987.

• [ILIAD] M. J. Lincoln, C. W. Turner, P. J. Haug, H. R. Warner, J. W. Williamson, O. Bouhaddou, S. G. Jessen, D. Sorenson, R. C. Cundick and M. Grant, Iliad training enhances medical students’ diagnostic skills, J. Med. Syst., 15(1): 93-110, 1991.

• [HELP] G. J. Kuperman, R. M. Gardner and T. A. Pryor, HELP: A Dynamic Hospital Information System, New York: Spinger-Verlag, 1991.

• E. S. Berner (Ed.), Clinical Decision Support Systems: Theory and Practice, NY: Springer-Verlag, 1998.

• E. H. Shortliffe, L. E. Perreault (eds.), Medical Informatics: Computer Applications in Health Care and Biomedicine, 2nd ed., NY: Springer-Verlag, 2001.

Παρουσίαση του Λογισμικού DXplain