Medicinska beslutsstödjande system

Transkript

1 Medicinska beslutsstödjande system ESP: An expert system for poisoning diagnosis and management 0

2 Innehållsförteckning 1. Inledning Avgränsningar Introduktion till expertsystem Bakgrund Uppbyggnad... 4 Figur 1. En generell modell av ett expertsystem Medicinska beslutsstödjande system Uppbyggnad Introduktion till ESP: An expert system for poisoning diagnosis and management Uppbyggnad Kunskapsbasen Inferensmotorn... 9 Figur 2 Uppbyggnaden av ESP KAT (knowledge acquisition tool) Kunskapsrepresentation och hantering Hit ratio (träffkvoten) Beslutsskapandet i ESP Fördelar och nackdelar med ESP Figur 3 Användargränssnittet Figur 4 Tillägg av en ny toxikologisk klass i KAT Ståndpunkter Referenser

3 1. Inledning I dagens industrialiserade och tekniskt utvecklade samhälle eftersträvas kunskap och färdigheter som kan hjälpa till att effektivisera och förbättra samhället. För att uppnå denna förbättring är det fördelaktigt att bland annat utnyttja mänskliga färdigheter inom speciella områden och implementera deras kunskap i olika system. Systemen kan på det sättet hjälpa människor att utföra vissa uppgifter som ligger utanför deras kunskapsområde, vilka brukar kallas för expertsystem. Ett område som jag anser bör ha särskilt god teknisk utrustning är inom vården. Här krävs det att sjukhusen kan erbjuda patienterna det som dem kräver och att den mänskliga kunskapen alltid finns till hands. Dock finns det inte någon garanti för att den mänskliga expertkunskapen alltid finns på plats, därav är det ytterst viktigt att system som besitter mänskliga kunskaper inom ett specialiserat område finns tillgängliga. Dessa hjälpande system inom vården är det område som min rapport kommer belysa, närmare bestämt medicinska expertsystem kallat Clinical Decision Support System och kommer i fortsättningen att förkortas CDSS. Anledningen till varför jag valde att fördjupa mig inom detta område är eftersom jag tycker att det är intressant med system som hjälper och underlättar arbetsuppgifter för människan. Jag ville fördjupa mig inom ett område där människa och maskin samarbetar och interagerar med varandra och få en djupare insikt i hur allt hänger ihop. I denna rapport kommer läsaren först få en bakgrund om expertsystem och deras uppbyggnad, sedan följer en redogörelse som behandlar uppbyggnaden av medicinska beslutsstödjande system, för att därefter följas av en beskrivning av det beslutsstödjande systemet vid förgiftning, ESP: An expert system for poisoning diagnosis and management, som är fokus för denna rapport. En redovisning om hur systemet är uppbyggt samt för och nackdelar med systemet kommer även presenteras. 2

4 2. Avgränsningar Expertsystem kan delas upp i två användningsområden, dels beslutsfattande system, samt beslutsstödjande system. I detta arbete har jag valt att enbart lägga fokus på beslutsstödjande system, då mitt fördjupningsämne bygger på den typen av expertsystem. Jag kommer även hålla mig till kunskapsbaserade system och inte icke kunskapsbaserade system. 3. Introduktion till expertsystem 3.1 Bakgrund Då expertsystem har sina rötter i vetenskapsområdet Artificiell Intelligens (AI), anser jag att det är relevant att ge en presentation av det nämnda området. Under 1940 talet började forskningen kring AI äga rum som då framförallt baserades på matematiska beräkningar och logisk resonering vilket än idag utgör en viktig del av dagens AI system. Datorerna använde program som var skrivna utifrån en förbestämd algoritm för att lösa olika uppgifter, bland annat söka igenom databaser och räkna ut ekvationer, dock kunde de inte utföra resonemang likt människan. Men det var inte förrän i juni 1956 som begreppet Artificial Intelligens myntades av John Mcarthy vid en sammankomst vid Dartmouth College i New Hampshire, USA. Denna tidpunkt betraktas idag som födelsen av AI. Under åren som följde utvecklades det ett antal intelligenta system, ett av de kallades Logic Theorist som utvecklades av Newell, Shaw och Simon som visade på hög matematisk skicklighet. Senare gjordes ett försök att implementera mänsklig problemlösningsteknik i programmen vilket ledde till programmet GPS, General Problem Solver. Kort därpå kom man underfund med att programmet inte klarade av att hantera komplexa problem vilket tydde på bristande problemslösningsstrategi. Det som hände var att det blev en exponentiell tillväxt när sökrymden ökade, vilket programmet inte klarade av. För att minska sökrymden var man tvungen att göra programmen mindre generella och istället låta fokusen hamna på kunskap som enbart är relaterad till det specifika problemet. Nu kunde man lösa riktiga problem som människan stöter på i vardagen och i samband med denna iakttagelse, skapades det första 3

5 expertsystemet DENDRAL. Kortfattat var DENDRAL s uppgifter att fastställa kemiska strukturer av okända molekyler. Då dessa färdigheter endast kunde utföras av en expert inom området, ansågs DENDRAL vara ett expertsystem. De kallas även kunskapsbaserade system eftersom de besitter kunskap om ett specifikt område. Sådana system kräver en expert som förser den med kunskap. 3.2 Uppbyggnad I följande avsnitt ges en förklaring på hur expertsystem fungerar och dess arkitektur. Keith Darlington ger följande definition av expertsystem: Unlike conventional software, expert systems process knowledge the former process data. The purpose of expert systems was to emulate human experts at work by attempting to reason with knowledge. (K. Darlington, 2000) Det finns många definitioner på expertsystem och jag valde just denna definition då jag anser att den beskriver på ett förståeligt sätt vad expertsystem innebär och pekar på det som utgör kärnan av expertsystemen. Som tidigare nämnt var syftet med expertsystem att efterlikna en mänsklig experts beslutsfattande inom ett specifikt område. Innan jag övergår till att förklara expertsystemets uppbyggnad är det viktigt att ha i åtanken att det är skillnad mellan, kunskap, data och information (K. Darlington, 2000). Data består endast av ett antal alfabetiska symboler och har ingen betydelse förrän det appliceras i en kontext, vilket först då övergår till att vara information. Vid resonering kring problem använder sig en mänsklig expert av tumregler som är grundade på tidigare erfarenheter, vilket i detta sammanhang kan definieras som kunskap. Ett expertsystems sätt att resonera på fungerar på liknande sätt; den lagrar expertens tumregler som IF och THEN- regler och kan därmed representera kunskapen. Reglerna kan skrivas som premisser på följande vis (K. Darlington, 2000): IF condition(s), THEN actions(s), mer specifikt: IF temperaturen är - 60 (celsius-tecken) grader, THEN är det kallt. 4

6 Kortfattat innebär detta att action(s) utförs när condition(s) av regeln är uppfylld (K. Darlington, 2000). Det som sker vid den här typen av regelbaserad kunskapsrepresentation är att kunskapen som består av en mängd regler matchas mot samlad information. Expertsystemet går alltså igenom en mängd algoritmer i en speciell ordning och matchar den mot informationen som finns i kunskapsbasen (E. Turban, 1997). Regler som skapas på det här viset kallas gemensamt för kunskapsbasen och är den första komponenten som utgör uppbyggnaden av ett expertsystem. Ett expertsystem består av tre komponenter; en kunskapsbas, en inferensmotor (sökmotor) och ett användargränssnitt. Kunskapsbasen utgörs av nyss nämnda IF och THEN regler och specialiserad kunskap inom ett problemområde, där reglerna förklarar hur informationen ska behandlas. Här finns all kunskap som krävs för att formulera och lösa problemen. De flesta expertsystem som innehåller dessa regler och använder sig av de vid kunskapsrepresentation, kallas för regelbaserade system, som tidigare nämnt. Nu när kunskapsbasen innehåller ett antal regler måste expertsystemet veta vilka regler som ska väljas och i vilken ordning uträkningen ska ske och det är här inferensmotorn kommer med i bilden, som är den andra komponenten av expertsystemet (K. Darlington, 2000). Denna del av expertsystemet brukar kallas för dess hjärna. Inferensmotorn är ett program som tolkar reglerna som finns i kunskapsbasen för att kunna dra slutsatser och fatta beslut. Kravet för att denna tillämpning ska ske är att det måste finnas en premiss och en slutsats som kan dras ur premissen (K. Darlington, 2000). Vid utförandet av detta använder sig expertsystemet av två strategier: forward chaining och backward chaining. Vid forward chaining får systemet fram en lösning på ett problem genom att hitta regler vars premisser kan förklaras utifrån given data. Exempelvis om man ser att det snart kommer börja regna, tar man med ett paraply innan man går ut. Vid back ward chaining utgår systemet från en slutsats och går igenom reglerna för att göra slutsatsen sann. Exempelvis om man får besök av en blöt person med paraply, kan man dra slutsatsen att det regnar ute. Den sista komponenten som utgör ett expertsystem är användargränssnittet som är det användaren ser av systemet. Det återspeglar dialogen som äger rum mellan den mänskliga experten och klienten och fungerar även som kommunikation mellan användaren och kunskapsbasen. 5

7 Figur 1. En generell modell av ett expertsystem Som tidigare nämnts kan expertsystem utgöras av beslutsstödjande system. De stödjande expertsystemen har i uppgift att hjälpa en användare i dennes beslutstagande. Systemet tar fram information som användaren tar del av och sen är det upp till användaren att avgöra om denne ska använda sig av systemets förslag eller inte. Den här formen av expertsystem är vanligast förekommande inom vården (M. Rönn 2000). Expertsystem löser till skillnad från andra vanliga system, problem med hjälp av någon form av sökning, där den vanligaste metoden är heuristik. Med hjälp av denna metod hittas lösningen på problemet genom trial and error. (Darlington) Däremot ska det tas i beaktande att det finns expertsystem som använder sig av andra metoder för att hitta en lösning. 4. Medicinska beslutsstödjande system 4.1 Uppbyggnad Då jag i förra avsnitten beskrev expertsystemens uppbyggnad och funktion ganska utförligt kommer jag i detta avsnitt inte göra en lika stor djupdykning, av den anledningen att medicinska beslutsstödjande system baseras på expertsystemens uppbyggnad. För att undvika att upprepa information, kommer jag därför i detta avsnitt hålla beskrivningen på en ytlig nivå, bortsett från när det kommer till skillnaderna mellan CDSS och expertsystem. Något som bör klargöras innan jag fortsätter på avsnitten om medicinska beslutsstödjande system, är att det finns skillnader mellan beslutsstödjande system och expertsystem som. Den främsta skillnaden är att expertsystem kan ta egna beslut till skillnad från de 6

8 beslutsstödjande systemen. En annan nämndvärd skillnad är att expertsystem vill ersätta mänsklig kunskap medan beslutsstödjande system endast vill assistera vid beslutsfattning (K. Darlington, 2000). Det finns även skillnader i hur en mänsklig expert resonerar, jämfört med ett beslutsstödjande system (S. A. Spooner, årtal). Till exempel behöver en doktor inte ha tillgång till all information vid diagnosställande utan kan ta beslut med lite information. Ett medicinskt beslutsstödjande system måste ha tillgång till hela informationen då deras beslutsfattande bygger på väldefinierade regler. Definitioner av medicinska beslutsstödjande system (Clinical Decision Support Systems, förkortat CDSS) är många men enligt Turban (2001) inte tillräckligt utförliga. Han saknar en definition som berör det centrala syftet med CDSS, vilket är att fungera som stöd och förbättra beslutsfattande. Dock anser jag att S. Andrew Spooners (2007), definition ger en tämligen rättvis bild av CDSS: is a program that supports a reasoning task carried out behind the scenes and based on clinical data Kortfattat är alltså CDSS program som tar emot medicinsk data och presenterar förslag på diagnoser (S.A. Spooner, 2007). Det finns olika typer av CDSS- modeller och följande text kommer beskriva en generell uppbyggnad av CDSS. Till att börja med har CDSS och expertsystem en liknande uppbyggnad; alltså en kunskapsbas, inferensmotor och ett användargränssnitt. En användare förser systemet med data som utgörs av patientens symptom. Denna datamängd som är systemets input, är anpassad för systemet, dvs. läkaren skickar in termer som redan är befintliga i systemets vokabulär. Termerna kallas findings och dessa matchar andra termer som finns lagrade i systemet. Dessa termer kan innehålla bl.a. medicinsk information såsom anamnes, en patients sjukdomshistoria. (S.A. Spooner, 2007). Outputen i sin tur, kan bestå av olika diagnoser som presenteras i form av en lista där de är rankade beroende på deras probabilitet, alltså beroende på hur stor sannolikhet det är att det kan vara en viss diagnos givet symptom. Precis som hos expertsystem, består kunskapsbasen av en stor mängd medicinsk kunskap i form av IF och THEN regler. Inferensmotorn har i uppgift att kombinera reglerna i kunskapsbasen med patientens data (S.A. Spooner, 2007). CDSS som består av en kunskapsbas, inferensmotor och 7

9 användargränssnitt brukar kallas för kunskapsbaserade system i den mening att de behöver en användare som förser det medicinsk information. Det finns många olika metoder som CDSS använder sig av då det ska presentera beslutsstödjande information, där en av dem är ett bayesianskt nätverk. Det är en probabilistisk graf som, med hjälp av Bayes teorem, presenterar det probabilistiska sambandet mellan sjukdom och symptom i form av ett nätverk, alltså hur stor sannolikheten är att en patient har en viss sjukdom givet symptomen (S.A. Spooner, 2007). 5. Introduktion till ESP: An expert system for poisoning diagnosis and management Då allt fler läkare väljer att bosätta sig i urbana miljöer, blir en av följderna för människor som väljer att stanna kvar på landsbygden, bristfälliga expertkunskaper inom vården. Enligt statistiska undersökningar bor det fler läkare i storstäderna i Filippinerna, närmare bestämt bor 87 % av experterna i städerna, medan endast 67 % av landets invånare bor i en storstad. Detta kan leda till en skev fördelning där det är betydligt fler patienter per läkare, än utifall fler läkare hade bott på landet, vilket i sig kan begränsa effektiva behandlingar. Genom att sätta in medicinska beslutstödjande system (CDSS) i sjukhusen som ska assistera läkare vid beslutsfattande uppgifter, kan problemet med för få experter på plats lösas. Expertsystemet som kommer förklaras i följande avsnitt är ett regelbaserat, medicinskt beslutsstödjande system (CDSS) som har i uppgift att förse användaren med relevant information vid olika typer av förgiftningar. Systemet, som i fortsättningen kommer förkortas som ESP, utgörs av två huvudkomponenter; en kunskapsbas och en inferensmotor. Kunskapsbasen innehåller relevant information om olika förgiftningar och regler som inferensmotorn använder sig utav när den ska ta beslut. Inputen som går in i systemet består av symptom som användaren skriver in som sedan presenteras i form av en lista på möjliga förgiftningstyper och systemet ger även förslag på vilken typ av behandling som patienten behöver. System utgörs även av ett knowlegde acquisition tool (KAT), där toxikologen kan uppdatera kunskapsbasen. KAT är expertens fönster där information om förgiftning läggs 8

10 till, ändras och tas bort. MySQL är databasen som sköter hanteringen av detta. CLIPS (C Language Integrated Production System), är ett skalfönster som hjälper systemet vid beslutsfattande uppgifter, vilket också kommer förklaras närmare. En beskrivning på hur systemet är uppbyggt och hur det fungerar kommer redogöras samt en diskussion om för- och nackdelarna. Källorna är hämtade från artikeln ESP: An expert system for poisoning diagnosis and managment, (Riza Theresa B. Batista Navarro et al, 2010) om inte något annat ges. 6. Uppbyggnad 6.1 Kunskapsbasen Som tidigare nämnt, består ESP av två huvudkomponenter som utgörs av KAT och CDSS, där den sistnämnda består av två subkomponenter, närmare bestämt kunskapsbasen och inferensmotorn. Kunskapsbasen bygger på CLIPS-skalet och innehåller all väsentlig information i form av regler, bl.a. förgiftningsklasser, subklasser och lämpliga hanteringsprocedurer vid olika förgiftningar. Hanteringsprocedurerna visar vad som behövs göras för att avgifta patienten. Det kan handla om att läkaren måste utföra vissa laboratorietester för att fastställa vilken typ av förgiftning det rör sig om. All data som toxikologen skriver in via KAT s användargränssitt, kommer med KAT s hjälp att sparas till en databas som i sin tur kommer skicka det vidare till CLIPS-konverteraren. I CLIPSkonverteraren görs datan om till beslutsregler som sedan lagras som CLIPS-filer i CLIPSfilsystemet som befinner sig i kunskapsbasen. Datan i CLIPS- filsystem uppdateras så fort databasen uppdateras. (Datan som sparas i kunskapsbasen baseras sig på boken Algorithms of Common Poisonings Part. ) 6.2 Inferensmotorn Inferensmotorn använder de nyligen konverterade reglerna som finns i kunskapsbasen för att kunna ta beslut, alltså avgöra vilken typ av förgiftning som patienten har givet 9

11 symptomen. För att kunna ta dessa beslut måste en läkare skriva in symptom som denne uppmärksammar hos patienten i ett webbaserat CDSS- användargränssnitt. Symptomen, dvs. persondatan konverteras till beslutsregler, precis som i CLIPS- konverteraren, som sedan skickas till inferensmotorn där reglerna i sin tur kan matchas mot de symptom som toxikologen skrev in. Inferensmotorn kommer kunna dra slutsatser baserat på beslutsreglerna och kunskapen i kunskapsbasen, med hjälp av ett verktyg som heter CLIPS expert system tool. Sedan listas hur stor del av patientens symptom som överensstämmer med de symptom som fanns i systemet sen tidigare. Detta är en parameter i systemet som kallas hit ratio. När denna process är klar, presenteras resultatet i form av en lista som består av möjliga typer av förgiftningar. Den utgör en viktig funktion i systemet då den simulerar en experts sätt att fatta beslut vid ställandet av en diagnos. Figur 2 Uppbyggnaden av ESP 10

12 6.3 KAT (knowledge acquisition tool) Med hjälp av KAT s användargränssnitt kan toxikologerna uppdatera kunskapsbasen och även lägga till information gällande olika förgiftningstyper (se figur 3 i artikeln). Användarens användargränssnitt innehåller följande flikar: Manage Toxicological Classes, Manage Toxicological Subclasses och Manage Symptoms. Dessa flikar gör det möjligt för användaren att hantera kunskapen som finns i kunskapsbasen, genom att lägga till, ändra och ta bort toxikologiska klasser, subklasser och symptom. KAT består av en subkomponent, närmare bestämt CLIPS konverteraren, som har i uppgift att konvertera all indata som har skrivits av en toxikolog till beslutsregler och uppdatera dessa i kunskapsbasen. Processen går till på följande vis, CLIPS konverteraren får in data som toxikologen har skrivit via gränssnittet och utvinner detaljerad och karakteristisk information om de olika förgiftningarna. Informationen beskriver vilken typ av förgiftningsklass det rör sig om, vilken subklass förgiftningen tillhör, graden av förgiftning och vilka symptom och tecken som kännetecknas vid olika förgiftningar. Slutligen omvandlas reglerna som består av information, i CLIPS format som sparas i CLIPS filen i kunskapsbasen. CLIPS konverteraren uppdaterar informationen i kunskapsbasen allt eftersom toxikologen förser KAT med ny data. Det praktiska med KAT är att användaren inte behöver besitta kunskaper i programmering, då KAT är designat på ett väldigt användarvänligt sätt. 6.4 Kunskapsrepresentation och hantering Kunskapsbasen utgörs av ett arbetsminne för datamängden som toxikologen skriver in och ett såkallat produktionsminne som hanterar beslutsreglerna. Dessa regler kan i sin tur bearbetas av inferensmotorn där den matchar informationen från kunskapsbasen med informationen som den får från den läkaren. CLIPS har olika listor som den håller i minnet; en informationslista, en regellista och en agenda, som lite tillspetsat är en tom lista. Informationslistan i CLIPS utgörs av olika symptom hos en patient, vilka presenteras i form av 11

13 parenteser. Så för att presentera att en patient har symptomen kräkning och feber, skrivs informationen på följande vis: (assert (symptom vomiting yes) (symptom fever yes)) Det är denna information som läggs in i CLIPS informationslistan och som CLIPS håller i sitt arbetsminne. För att informationen ska nå inferensmotorn, används JClips genom det javabaserade användargränssnittet. Lite slarvigt kan man säga att JClips fungerar som en kommunikator mellan användare och systemet. Det är via JClips -funktionen som resultat kan presenteras för användaren. Reglerna består av mönster som är relaterade med den angivna informationen och dess motsvarande handlingar. Det som händer är att en regel aktiveras och läggs in i agendan när alla mönster matchar informationen i informationslistan. Därmed kan man säga att agendan är en samling av aktiverade regler. För att presentera den här informationen skapar CLIPS konverteraren en global variabeldefinition och fyra regler för varje toxikologisk subklass. Den globala variabeln representerar summan av alla matchande symptom, medan de fyra reglerna har i uppgift att presentera de nödvändiga funktionerna för att kontrollera om den toxikologiska subklassen matchar med informationen. De fyra reglerna har även i uppgift att räkna ut vad hit ratio blir, d vs hur stor del av patientens symptom som matchar med de symptom som fanns i systemet sen tidigare. När denna process är klar, presenteras resultatet i form av en lista, närmare bestämt agendan som visar möjliga typer av förgiftningar som patient kan ha blivit utsatt för. För närmare beskrivning av hit ratio, se följande avsnitt. 6.5 Hit ratio (träffkvoten) Som tidigare nämnt visar hit ratio hur stor procentandel av de givna symptomen som matchar de identifierande symptomen för en speciell toxikologisk subklass. Parametern hit ratio bygger på en algoritm som finns i beslutsreglerna i ESP vid beslutstagande uppgifter. Man antar att de identifierande symptomen från kunskapsbasen pekar på samma sjukdom, 12

14 avsett om patienten har mer av det ena symptomet än av det andra. Följande regler beskriver träffkvoten för varje toxikologisk subklass: Låt Låt toxikologisk subklass. där X är symptom i form av input och,, där Y är alla identifierande symptom för varje Alla X utgörs i det här fallet av patientens symptom som läkaren skriver in i form av input. Alla Y är alla symptom som identifierar en viss toxikologisk subklass. Funktionen Compute Hit Ratio tar två variabler, nämligen x och y där x är alla symptom i form av input och y de identifierande symptomen för en viss toxikologisk subklass. Då alla symptom är i en regellista som CLIPS - konverteraren håller i minnet, vilket nämndes i avsnitt Kunskapsrepresentation och hantering, går vår regel igenom längden på listan med symptom som assistenten skriver in. Denna input matchas sedan med de identifierande symptomen för varje toxikologisk subklass. Sedan säger den tredje regeln att om den stöter på en hit (matchning) så ska denna läggas till med 1 i listan. De matchade symptomen läggs i sin tur in i agendalistan där antalet träffar delas med längden på listan med de matchande symptomen och multipliceras med 100 för att få reda på hur många procent hit ration blir. 6.6 Beslutsskapandet i ESP Grunden för att ESP ska kunna ge förslag på vilka förgiftningar det rör sig om och vilken behandling patienten bör få, är att symptomen skrivs in i systemet av en läkare. 13

15 6.7 Fördelar och nackdelar med ESP Nackdelarna med systemet är att det har vissa begränsningar. Då ett antal symptom kan tyda på många olika typer av förgiftningar, presenterar ESP likadan hit ratio på alla förgiftningarna. Resultaten kan ställa till med problem för läkaren som ska fatta ett beslut baserat på systemets resultat då det saknas ett tydligt svar. Detta kan åtgärdas genom att toxikologen sätter in fler subklasser och förgiftningsklasser i kunskapsbasen. Fördelar med ESP är att det kan tillämpas på andra system i syfte att ge beslutsstöd. Exempel på ett sådant system är Unified Medical Language System (UMLS) där kunskapsrepresentationen förbättras i kunskapsbasen. Figur 3 Användargränssnittet 14

16 Figur 4 Tillägg av en ny toxikologisk klass i KAT 7. Ståndpunkter Jag anser att systemets uppbyggnad är intelligent byggd och att ger en rättvis bild av den mänskliga experten. Då processerna som görs för att bygga ett medicinskt beslutsstödjarsystem bygger på den mänskliga expertens kunskaper anser jag att expertsystem kan vara lika tillförlitliga som en mänsklig expert. En nackdel som jag dock kan se med dessa system är ifall patienten inte på ett korrekt sätt kan förklara sina symptom så finns det risk att expertsystemet ställer sämre diagnoser. En mänsklig läkare skulle möjligtvis kunna ställa bättre diagnoser om denne kan dra slutsatser på tidigare erfarenheter. Då beslutsstödjande system endast föreslår olika förslag på behandling, så ligger fortfarande ansvaret hos den mänskliga läkaren vilket förhoppningsvis ska minska utrymme för felsteg, då utkomsten är en stor kunskapsbas från en expert som förståndet hos en människa. Detta anser jag är en viktig kombination som kan leda till stordåd i den fortsatta forskningen kring medicinska beslutsstödjande system. 15

17 8. Referenser Batista Navarro, B. ESP: An expert system for poisoning diagnosis and management. Informa Healthcare, 2010 Darlington, K. Expert Systems. Prentice Hall, Rönn, M. Söderström, W. Medicinska expertsystem. C-uppsats Linköpings Universitet, Spooner. S. A. Mathematical Foundations of Decision Support Systems, Turban, E. Decision Support Systems and Intelligent Systems, 5th edition. Prentice Hall,