Medicinskt Beslutsstödssystem. Innehållsförteckning. IT-stöd inom vården

Transkript

1 edicinskt Beslutsstödssystem Innehållsförteckning Vad är ett medicinskt beslutsstödssystem? (Typ, Varför?, Karakterisering, Orsak till begränsad framgång, Krav) Hur utvecklar man ett medicinskt beslutsstödssystem? Exempel på beslutsstödssystem IT-stöd inom vården Vårdadministration Patientorienterade databaser Datafångst för kostnadsuppföljning Informationsspridning (WWW) Webbaserad applikationer (Portal) Beslutsstöd

2 Definition any computer program designed to help health professionals make clinical decisions. [Shortliffe 1990] Ställa diagnos Stödja den diagnostiska processen Välja behandling och bedöma dess utfall Fördela resurser Typer av beslutsstödssystem Hjälpmedel för informationshantering Sjukhusinformationssystem Labdata - kumulativa listor edicinska litteraturdatabaser Typer av beslutsstödssystem System som påkallar uppmärksamhet markering av onormala värden i labsvar Hjälpmedel för patientspecifik konsultation användaranpassad för viss patient

3 Varför medicinskt beslutsstödssystem Enligt van Bemmel & usen: Informationsmängden Undvika mänskliga faktorn Tid Varför medicinskt beslutsstödssystem Rutinuppgifter, ex. EKG-tolkning Sprida riktlinjer Höja kvalitén på vården Göra kunskap tillgänglig geografiskt/dygnet runt/flera samtidigt/etc Utbildning Varför medicinskt beslutsstödssystem er rationella beslut er standardiserade beslut er ekonomiska beslut...

4 Karakterisering Funktion och Arbetssätt Konsultationsstil Beslutsmodell Arbetssätt Passivt system Användare initierar användningen Övervakningssystem Systemet initierar användningen, ex. påminnelser, larm Aktivt system Systemet ingriper, ex. ändrar inställningar Konsultationsstil Konsulterande system Svarar på frågor ställda av användaren. Kritiserande system Användaren ger först förslag på lösning som sedan kritiseras av systemet Autonoma system Kan agera på egen hand, ex. korrigera parametrar

5 Beslutsmodell Kunskapsrepresentation Inferensmekanism (Resoneringsmekanism) Kvantitiativ Kvalitativ Neuronnät Bayes' teorem Regler Beslutsträd Logik Orsaker till begränsad framgång Fyller ej verkligt behov (technology push) Skeptiska användare Systemen svåra att hantera ej integrerade (integrerbara?) med övriga kliniska system Låg auktoritet - Tillit Orsaker till begränsad framgång Oklart om ansvar Ej tillförlitligt Svårbegripligt Dåligt integrerat i arbetsrutiner Ej utvärderat Ej kostnadseffektivt

6 Krav för bra beslutsfattande Korrekta data urval, mängd, kvalitet Data ensam är inte användbar om vi inte har relevant kunskap att använda och applicera på data. Krav för bra beslutsfattande Relevanta kunskaper breda, djupa, korrekta, aktuella Problemlösningsförmåga välja rätt mål ställa rätt frågor kostnad/nytta hur angeläget? Utveckling av Beslutsstödssystem Ett beslutsstödssystem består av: En kunskapsbas En databas : där klinisk kunskap är lagrad : där kliniska data är lagrade En inferensmaskin : ett dator program som använder medicinsk kunskap och patient data för att t ex ge ett råd

7 Beslutsstödssystem Användare Användargränssnitt DB Inferensmaskin Råd KB Integrerad beslutsstödssystem Applikation Beslutsstödssystem KB Applikation data Databas Intranät Databas System trigger fråga System Databas DB Databas System data slutsats System Applikation Trigger hanterare Kunskapsinsamling Intervju Representation Områdeexpert Specialist Kunskapsingenjör KB

8 Diagnosis: AGE CONSCIOUSNESS DYSPNEA EXHAUSTION EXPECTED DETERIORATION RESPIRATORY RATE [1/min] HEART RATE [1/min] PAIN [Breathing] PaCo2 [KPa] PaO2 [KPa] SEVERE Other Disease SYSTOL BLOOD PRESS TEPERATURE [Body] X-RAY [Cheat] Conclusion groups: Version 2.1 COLD AERD ERDS FLCH LVFPOE PNEU RSTR STAS GENERAL Conclusions text : INDICATION < 15 15Š x <70 70Š x <85 85 Coma No Awake orie ental dysf. resp. No oderate Severe No Yes < 6 6Š x <12 12Š x <24 24Š x <36 36Š x <48 48 < 35 35Š x <50 50Š x <90 90Š x < Š x < No oderate Severe < Š x < Š x < Š x < No Yes Unmeas or x< 50 < Šx< Šx< Šx< No changes Unilateral Bilateral Respirator therapy indicated CONTRAINDICATION ONGOING WEANING Rule Name: Author : Note : L-indication-R309 Nosrat Create Abort Svårigheter vid kunskapsinsamling När områdesexpert(er) skall formulera sin kunskap (erfarenheter) i en form som kunskapsingenjören kan förstå. Områdesexperter som är involverade i kunskapsinsamling har ofta svårt att hålla reda på vad som redan formulerats, vilket resulterar onödiga repetitioner och uppdateringar.. Kunskapsinsamlingsprocessen kräver intensiva insatser från områdesexperterna och är mycket tidskrävande. Samtidigt vet vi att det ofta är just experterna som har mest ont om tid. Det tar lång tid mellan kunskapsinsamling och systemdemonstration, något som försvårar hela processen. Kunskapsinsamling Interaktivt program Områdeexpert Specialist Kunskapsinsamlingsverktyg KB Kunskapsinsamling Login New Rule Edit Rule Delete Rule(s) Copy Rule(s) Evaluate Rule View Rule Logout No oderate Severe < 3,0 3,0Š x < x < Š x < Š x <70 70Š x <90 90Š x < Šx<

9 Utveckling av kunskapsbaser Kunskaps- bas Representations- schema Kunskaps- insamling Databaser Verklighet (information) odell av verkligheten Logisk databas Databas (data) Fysisk databas (DB) Representation Arden Syntax Problem: Att kunna sprida/dela formaliserad kunskap Arden Homestead Retreat 1989 AST-standard 1992

10 Arden Syntax ål Läsbar - lätt att överblicka, förstå innebörden Skrivbar - kunna skrivas av domänexperter Spridbar - kunna delas ut till andra organisationer Arden Syntax edicinska Logikoduler (Ler) Ler fristående 1 L = ett kliniskt beslut edical Logic odule (L) of Arden Syntax AINTENANCE: Title: lmname: Institution: Author:.. LIBRARY: Purpose: Explanation: KNOWLEDGE Data: Logic: Action:

11 edical Logic odule (L)- exempel aintenance: Title: Kontroll vid lunginflammation;; Filename: Lugn_601;; Version: 1.1;; Institution: IT/AI, Linköpings universitet;; Author: A Andersson;; Specialist: ;; Date: ;; Validation: testing;; Library: Purpose: Varna vårdgivare om patienten är över 65;; Explanation: ;; Keywords: lunginflammation ;; Citations: ;; edical Logic odule (L)- exempel Knowledge: Data: Ålder := read last ( { ålder } where it occurred within the past 1 week ); Diagnos := read last ( { diag } where it occurred within the past 12 hours ); Besök := event { storage of Nymedicin }; Evoke: Besök ;; Logic: if ( Ålder >65 ) and ( Diagnos is Lunginflammation ) then conclude true; endif; Action: write Skicka patienten till röntgen! End; Kunskapsrepresentation Viktiga egenskaper som varje kunskapsrepresentationsschema måste inneha: Förmåga att representera alla kunskapsbitar som är nödvändiga inom ett kunskapsområde. öjligheter att enkelt lägga till nya fynd (kunskap) i den existerande kunskapsstrukturen. Förmåga att kunna manipulera innehållet i kunskapsbasen utan att behöva byta kunskapsstruktur.

12 Utveckling av L-system Leditor + parser L (text) Lkompilator Lkontroller L Konventionell kompilator Beslutsstödssystem Kunskapsbas underhåll Rule 1: IF <a> and (<b> or <c> or <d>) and <e> THEN <r>. Rule 2: IF <a> and <d> and <e> THEN <r>. Rule 1 Rule 2 If Then If Then And r And r a b e a d e Or c d Beslutsstödssystem, fokus på användare Hur bör medicinska beslutsstödssystem utformas för att bättre passa in i den arbetssituation användaren befinner sig i?

13 Exempel på system Buksmärta (tidigt 70-tal) YCIN (tidigt 70-tal) QR/Internist (tidigt 80-tal) PT-pol VentEx (KUSIVAR - VentOpt) TEEC Buksmärta Diagnosticering av appendicit Baserat på sannolikhetsdata och Bayesregel Buksmärta Bayes regel: P = sannolikheten, D = sjukdom, S = ett visst givet symtom (ex. positivt testresultat) Givet prevalensen för sjukdomen samt sannolikheten för symtom givet sjukdom kan man beräkna sannolikheten för sjukdom givet ett symtom

14 Buksmärta utvärdering 304 fall: 92% rätt (läkare 65-80%) inga missade blindtarmar (men 6 falska positiva) Problem: 20 min för att mata in patientdata Svårt att hitta rätta värden på sannolikheter YCIN Antibiotikabehandling Shortliffe, Buchanan, Cohen Regelbaserat system ål: Konsultation Förklaringar Stöd för kunskapsinhämtning YCIN Läkare Konsultationsprogram Patientdata Förklaringsprogram Kunskapsbas Kunskapsinhämtningsverktyg Expert

15 YCIN Heuristiker Använder ej Bayes teorem Produktionsregler (if - then, vänstersida - högersida) Produktionsregler Datadrivet - Forward chaining IF A, THEN B IF B, THEN C A C (regel) (regel) (data) (slutsats) Produktionsregler Datadrivet - Backward chaining C IF A, THEN B IF B, THEN C (givet) (regel) (regel) Q: Is A true? (fråga)

16 Produktionsregler IF A and B and C, THEN D IF (A or B) and C, THEN E VentEx Respiratorbehandling Regelbaserat (nexpert object) Respiratorkriterier Inställningar Avvänjningskriterier Provades vid sös, Stockholm Exempel på råd från DiABB

17 Referenser kap 15-16, van Bemmel & usen, 1997 kap 15, Shortliffe & Perreault, 1990 Rule-Based Expert Systems, Buchanan, Shortliffe, 1984 Production Rules as a Representation for a Knowledge-Based Consultation Program, Davis, Buchanan, Shortliffe, 1977