Beslutsstödjande system inom medicin

Linköpings Universitet Institutionen för datavetenskap Artificiell Intelligens, 729g11 HT -09 Beslutsstödjande system inom medicin Sofia Bremin 871202-1909 2009-10-02

Sammanfattning Beslutsstödjande system har på senare år blivit en etablerad del inom den medicinska teknologin. Det finns ett stort intresse för hur nya system kan utvecklas för att stödja läkare i deras arbete, olika typer av system har utvecklats, och ofta skiljer man på beslutsfattande och beslutsstödjande system. Jag har valt att inrikta mig på beslutsstödjande system eftersom jag anser det vara ett mer användbart område än beslutsfattande. Ett exempel på ett beslutsstödjande system är Dementia Management Support System, vilket har en central del i denna rapport.

Inledning... 4 Introduktion till expertsystem... 5 Historik: Uppbyggnad: Medicinska beslutsstödjande system Historik: Uppbyggnad: Beslutsstödjande system för demensundersökningar Bakgrund: Uppbyggnad: Kunskapsbasen: Regler: Prototyp II: Användargränssnitt: Så används systemet idag: Framtida forskning Medicinska beslutsstödjande system, CDSS: Dementia Management Support System, DMSS: Diskussion Referenser Bilagor

Jag valde att skriva om expertsystem inom medicin på grund av att det fångade mitt intresse på en föreläsning. Jag ville fördjupa mig i något slags system som kunde underlätta i någon del av arbetslivet. Medicin samt vård är en väldigt viktig del av vårt samhälle så jag tyckte ämnet var relevant och att eventuella förbättringar som kan göras inom området är intressant. Efter att ha läst om bland annat MYCIN, DENDRAL, samt ett antal mindre kända projekt, hittade jag av en slump en lic-avhandling, Managing Knowledge in the Development of a Decision-Support System for the Investigation of Dementia ( Beslutsstöd för diagnosticering och behandling av kognitiva sjukdomar Helena Lindgren, 2005). Detta fann jag intressant och valde därför att fördjupa mig i det systemet. Rapporten är baserad på ett flertal olika böcker och avhandlingar. Jag har även kompletterat materialet med en kortare intervju med Helena Lindgren, som skedde via en mailkonversation. Denna rapport tar i den första delen upp historik samt de grundläggande byggstenarna i ett expertsystem med syftet att ge läsaren en uppfattning om hur expertsystem opererar. Efter det följer en redogörelse för beslutsfattande system inom medicin. I den sista delen beskrivs det beslutsstödjande system som Helena Lindgren utvecklat med avsikt att ge underlag till läkare då de ska ta beslut. Jag förklarar även skillnaden mellan expertsystem och beslutsstödjande system (Decision support systems).

Keith Darlingtons 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. Historik: Forskningen inom A.I. (Artificiell Intelligens) började på 1940-talet och byggde på matematisk forskning, gjord av bland andra Kurt Godel och Alan Turing. Deras arbete innebar att formaliserade metoder inom logiskt resonerande kunde skapas. Det första neurala nätverket byggdes 1950 och kallades SNARC. Men det dröjde fram till 1956 innan Artificiell Intelligens användes som term, det skedde i samband med en konferens i Dartmouth sommaren 1956. Där samlades tio stycken män som alla var intresserade av atomteori, neurala nät samt studerande av intelligens. De som imponerade mest under den två månader långa workshopen var Newell och Simon. De hade redan utvecklat ett program som kunde resonera logiskt, nämligen Logic Theorist. Efter detta fortsatte arbetet med att utveckla intelligenta system, bland annat utvecklade Newell och Simon ett nytt projekt kallat General Problem Solver. I och med det så etablerades begreppet mikrovärldar. Runt 1970-talet stötte forskarna på vissa problem. Programmen som skapades fungerade väl på mindre problem, men när storleken på problemen ökade så växte sökrymden exponentiellt. Lösningen blev då att skapa program som blev mer specialiserade så att sökrymden minskade. Nu började intresset för att lösa riktiga problem, alltså sådant som människorna stötte på i det verkliga livet, och ett utav områdena var att kunna diagnostisera sjukdomar. Detta ledde först till DENDRAL, ett system som var det första i dess slag. DENDRAL skapades av Ed Feigenbaum, Bruce Buchanan och Joshua Lederberg 1969, och kunde med hjälp av en kunskapsbas ange kemiska strukturer av okända molekyler. Detta var alltså det första expertsystemet, sedan var forskningen kring dessa system i full rullning. DENDRAL följdes åt av MYCIN (Feigenbaum, Buchanan, Dr. Edward Shortliffe). MYCIN kunde i vissa fall prestera lika bra som experter inom medicin när det gällde att diagnostisera sjukdomar. (Stuart Russel, Peter Norvig 2003. Keith Darlington 2000) Uppbyggnad: Vad är då ett expertsystem? Jo, ett expertsystem försöker efterlikna mänskligt kunnande genom att applicera metoder för att dra slutsatser inom ett specifikt område. Systemet behöver då ha en så kallad domän (kunskapsbas) där den samlar all kunskap. Keith Darlington pekar i sin bok The Essence of Expert Systems på att det är viktigt att skilja på data, information och kunskap. Data i sig självt är endast en lista av symboler som inte betyder något när de står utanför ett sammanhang. Lägger vi däremot till kontext så kan vi få ut information ur data. Symbolerna måste alltså betyda någonting. Vidare kan inte information ge upphov till ny information, där kommer kunskap in i bilden. Kunskap handlar om att uttrycka relationer

mellan premisser och regler för att manipulera dem, if then. Till exempel vet vi genom kunskapen givet att det regnar, så blir jag blöt. En expert är, enligt Andréasson et al, en individ som innehar stor förståelse för problemområdet, som genom år av bland annat träning och erfarenheter har blivit extremt duktig på att lösa svåra problem inom ett speciellt område (Monica Rönn, 2000). Detta gäller även för ett expertsystem, vilket fungerar bättre då kunskapen är avgränsad till ett specifikt område, i jämförelse med system som är byggda för att hantera och lösa problem inom ett större område. Det som skiljer expertsystem från andra informationssystem är att de nyttjar heuristik, istället för algoritmer, då de ska lösa problem. Heuristik använder sig av ett förbestämt mål och löser problemet genom trial and error där ineffektiva och fel lösningar sorteras bort allteftersom. Själva uppbyggnadsfasen i ett expertsystem kallas för Knowledge engineering-processen, detta är en iterativ process vilket innebär att de olika stegen i utvecklingen gås igenom flera gånger. De olika stegen i processen, hämtat ur Monika Rönns och Wiktor Söderströms Medicinska expertsystem, är: 1. Kunskapsutvinning Kunskapsingenjören genomför intervjuer som sedan analyseras för att kunna finna väsentliga koncept. Experten ger feedback på resultatet och processen upprepas tills problembeskrivningen har fångat de problem som systemet ska kunna lösa enligt experten. Detta är den fas av som ligger till grund för hela utvecklandet av ett expertsystem. 2. Kunskapsbekräftelse I denna process lägger kunskapsingenjören mer fokus på detaljerna i problemen, genom ytterligare intervjuer försöker ingenjören till exempel hitta relationer mellan koncept. 3. Kunskapsrepresentation Nu organiseras expertens kunskap i systemet, ett vanligt sätt att göra detta på är genom regler som if-then. Problemen kopplas till föreslagna lösningar genom formella presentationer. 4. Implementering Under denna fas utvecklar kunskapsingenjören en prototyp genom att kartlägga kunskapen från föregående fas. 5. Test Testfasen börjas ofta med mindre testfall för att hitta bristerna i systemet. När systemet sedan fungerar bra kör ingenjören mer komplexa problem som kräver mänsklig expertis. Testandet fortsätter tills experten är nöjd med resultaten som systemet genererar. Den största styrkan expertsystem har är dess möjlighet att dra inferenser, det vill säga att dra slutsatser ur givna premisser. Till exempel: Alla människor är dödliga. Sokrates är en människa alltså är Sokrates dödlig.. För att systemet ska kunna veta vilka regler det ska använda och när de ska användas för att få fram dessa slutsatser har det en inferensmotor. Denna tolkar regler i kunskapsbasen och kan sedan dra slutsatser. Förutom inferensmotor och kunskapsbas behövs något som kopplar samman systemet med användaren nämligen ett användargränssnitt. Det ger användaren möjlighet att besvara

frågor men det blir också möjligt att ställa egna frågor riktat till systemet. Se hur systemet är sammankopplat på bild nedan. (Keith Darlington 2000, Monika Rönn, Wiktor Söderström 2000) Bild 1. Grunddelarna i expertsystem.

Medicinska beslutsstödjande system I det förra avsnittet presenterades expertsystem, i detta följer en redogörelse för beslutsstödjande system inom medicin (Clinical decision support systems, CDSS). Men först vill jag förtydliga skillnaden mellan expertsystem och beslutsstödjande system (Decision support systems, DSS). Till skillnad från expertsystem kan inte beslutsstödjande system ta några beslut själva, utan de är endast till för att hjälpa människan fatta rätt beslut genom att ge råd. En slags assistent vid beslutsfattande helt enkelt. Det finns vissa betydande skillnader gällande de olika systemens attribut. Till exempel är problemdomänen i DSS bred och komplex, medan den är smal och precis i expertsystem, världsbilden är öppen i DSS medan den är stängd hos expertsystemen. (Keith Darlington) En definition av Medicinska beslutsstödjande system, van Bemmel och Musen, 1999: any piece of software that takes as input information about a clinical situation and that produces as output inferences that can assist practitioners in their decision making and that would be judged as intelligent by the program s users. Enligt Bemmel och Musen är människan i behov av CDSS för att: minska mängden och konsekvenserna av mänskligt felande, automatisera rutinuppgifter, hantera stora mängder information, samt för att sprida medicinska riktlinjer. (Helena Lindgren, 2005) Historik: Många av dagens CDSS härstammar från de tidiga expertsystemen beskrivna i avsnitt ett. Det ansågs att medicin var en bra domän att testa konceptet med att efterlikna mänskligt med hjälp av datorer. Redan tidigt började system dock byggas kring idén att det skulle fungera som ett verktyg för experterna, istället för att ersätta dem vilket var de ursprungliga expertsystemens mål. De flesta viktiga koncept kring CDSS utvecklades före 1976. Tre män vid namn Shortliffe, Buchanan och Feigenbaum publicerade därefter en omfattande artikel 1979 där de identifierade klasser som ingår i CDSS, bland annat medicinska algoritmer, medicinska databanker, mönsterigenkännande system, Bayesiska statistiska system m.fl. Ett av de senast nämnda beslutsstödjande systemen inom medicin är Diagnostic Decision Support System for Psychiatry (DSP). DSP använder sig av regelbaserat resonerande med sannolikhetsfaktorer tillsammans med heuristisk kategoriskt resonerande. (Eta S. Berner 2007, Helena Lindgren, 2007)

Uppbyggnad: Det finns flera olika typer av medicinska beslutsstödjande system (CDSS). CDSS har länge använts tillsammans med system inom vården, då det framförallt fungerat som ett analyserande verktyg av det ekonomiska och administrativa delen. De senaste 30 åren har systemen utvecklats och fler intresserar sig nu för den vårdande delen. Huruvida systemet ger generell eller specifik information varierar samt hur tacksamma de är att användas av samhället som stort. Många utav dem är utvecklade för att användas enskilt, utan interaktion med andra system, vilket uppfattas som okommersiellt. Det finns två stora kategorier av CDSS, antingen är de kunskapsbaserade eller ej. De flesta CDSS har som tidigare nämnt tre delar; kunskapsbas, inferensmotor och ett användargränssnitt. Kunskapsbasen består oftast av utarbetad information i form av IF- THEN-regler (alternativ till detta kan använda sig av probibalistisk logik). Ett exempel på hur if-then kan se ut i ett medicinskt sammanhang (Eta S. Berner): IF a new order is placed for a particular blood test that tends to change very slowly, AND IF that blood test was ordered within the previous 48 hours, THEN alert the physician. CDSS har utvecklats för att generera en lista av möjliga diagnoser till användaren. Systemet börjar till exempel med patientens symptom som en input, som sedan mappas ihop med information ur kunskapsbasen och föreslår detta till användaren. Användaren kan sedan med hjälp av sin egen kunskap filtrera bort de minst troliga diagnoserna som systemet föreslagit. Det finns även typer av CDSS som ger råd angående medicinering, hur stor mängd medicin som är rimlig givet vissa tester. De som arbetar inom psykiatrin kan istället använda ett CDSS genom att ge en terapiplan som input, systemet mappar sedan detta med protokoll och behandlingsföreskrifter, och som output får användaren eventuellt kritik av planen som då kan omarbetas. De CDSS som inte är kunskapsbaserade använder sig av maskininlärning, vilket ger systemet möjlighet att lära sig från tidigare erfarenheter samt att känna igen mönster i medicinsk data. Det finns vissa svårigheter vid implementation av systemen, en utav dessa ligger i hur data ska komma in i systemet. Till exempel kan det krävas att information läggs in manuellt av användaren och detta tar lång tid. Som lösning på detta problem är vissa CDSS integrerade med sjukhussystemet. Vissa system är som tidigare nämnt så kallade stand-alone systems, de interagerar ej med andra system. Det medför att patientdata måste skrivas in två gånger; en gång i det medicinska registret på sjukhus och en gång i det beslutsstödjande systemet. Ofta rör sig detta om diagnosstödjande system eller medicineringsrådgivande system. (Eta S. Berner 2007, Helena Lindgren 2007)

Beslutsstödjande system för demensundersökningar Detta avsnitt handlar om Dementia Management Support System (DMSS), ett samarbetsprojekt mellan Datavetenskapsavdelningen samt Samhällsmedicin och rehabiliteringsavdelningen i Umeå. Systemet är utvecklat för att stödja diagnos och medling under en demensundersökning. Redskapet finns beskrivet i ett antal artiklar och rapporter, dessa finns samlade på följande adress: http://www.cs.umu.se/~helena/pub.html Bakgrund: Vad innebär sjukdomen demens? Demens är en kognitiv sjukdom vilket innebör att patienten får neurala handikapp, i många fall följs detta åt av beteende -/och psykiska symptom. Det första som personer i patientens närhet märker av är oftast försämring av minnet. Andra kognitiva färdigheter som påverkas är till exempel abstrakt tänkande, omdöme, kommunikation, problemlösning osv. Många patienter med demens blir till en början irriterade och arga när de upptäcker att de inte klarar av vissa vardagliga sysslor längre, eller att de inte minns vissa personer i sin närhet, etc. Demens är en svår sjukdom som inte bara påverkar patienten självt, utan ofta blir hela familjer drabbade, därför kallas sjukdomen ofta för Familjesjukdomen. En studie gjord i Linköping (Ólafsdottir 2001) visade att 40 % av alla sjukhusbesök gjordes av människor vars ålder var över 70 år. 16 % av dem hade demens och 17 % led av andra mentala sjukdomar. Endast 25 % av demenspatienterna upptäcktes av deras husläkare. 66 % av demenspatienterna hade tidigare psykiatriska problem. 40 miljarder svenska kronor läggs varje år på vården av demenssjuka. Det har visat sig att tidig medicinering försenar inläggandet av patienten på vårdboende upp till nio månader, vilket gör att 17-30 % av utgifterna kan sparas in. Såhär beskriver Helena Lindgren nyttan av ett beslutsstödjande system inom detta område: A decision-support system can be used as a tool for cooperation, consultation, continuing medical education and the dissemination of clinical guidelines, in the process of examining and diagnosing the illness of persons with suspected dementia. Anledningen till att demens valdes som domän var att det ansågs viktigt att förbättra kvalitén av demensvården, samt att demens är en komplicerad sjukdom med många olika slags symptom. Domänen ansågs även tillräcklig för att ge en bredd av situationer där kunskapsrepresentation och datorsupport arbetar tillsammans. Det system som beskrivs här förväntas kunna fånga 80 % av demensfallen, jämfört med studiens resultat på 25 %. Undersökningar har gjorts på: Vidare perspektiv av miljön där det är menat att supportsystemet ska komma att användas, kognitiva processer i medicinska sammanhang, kunskapsdomänen, formaliseringsspråk som matchar valet av domän och användningsområdet. (Helena Lindgren, 2005)

Uppbyggnad: Under utvecklandet av DMSS har olika kliniker analyserats för att se vilka olika behov som finns. Domänkunskapen är baserad på tillgängliga medicinska riktlinjer samt litteratur. Kunskapsinsamlingen gjordes med hjälp av en domänexpert som bland annat avgjorde vilken tolkning som skulle användas då kunskap var tvetydig samt hjälpte till att prioritera riktlinjerna. Kunskapen analyserades sedan i en iterativ process enligt beskrivningen av hur ett expertsystem utvecklas, se sid. 6. Proceduralkunskapen, det vill säga praktisk kunskap om hur systemet ska användas, fick forskarna genom intervjuer med läkare på olika nivåer, samt fältstudier där systemet användes. Prototyper med syfte att användas i Sverige samt i Japan har skapats och utvärderats i en iterativ process tillsammans med domänexperter. Bild 2. Utvecklingsprocessen. Prototypsystemet byggdes i två steg. Först byggdes modellen av den resonerande processen samt hierarkisk datastruktur som formade basen för designen av användargränssnittet. I det andra steget byggdes kunskapsbasen på med mindre vanliga diagnoser då motsägelser i kunskapsbasen är ofrånkomligt och behöver kunna hanteras av systemet. (Helena Lindgren, 2007)

Kunskapsbasen: Kunskapsbasen innehåller tre dimensioner av kunskap. 1) Basic rulebase, grundas i medicinska riktlinjer 2) Meta rulebase, hanterar resoneringsprocessen i domänkunskapen, analysen genom olika verktyg samt är ett direktiv för det interaktiva tänkandet 3) Patient MAP, struktur för information gällande en specifik patient Eftersom dessa olika delar är väldigt olika varandra så behövs olika typer av formalisering för att representera kunskapen i systemet. Systemet kräver därför ett bra användargränssnitt som kan förmedla kunskap och funktioner ur kunskapsbasen genom att använda sig av olika mekanismer, dessa är anpassade efter olika användare. Systemet består av följande fem steg: 1) Bestämma förekomst av kognitiv sjukdom. 2) Bestämma vilken typ av sjukdom det är. 3) Om det rör sig om demens, bestämma vilken typ av demens. 4) Kartlägga hur allvarlig sjukdomen är och konsekvenser av kognitiva disfunktioner, samt förekomst och påverkan av BPSD (beteende/ och psykologiska störningar). 5) Tolka fynd gjorda av referensmodeller och fastställa ingripande. I de första tre stegen använder systemet den medicinska riktlinjen Diagnostic and Statistical Manual, fjärde versionen (DSM-IV). Som komplement till detta används även riktlinjer för olika typer av demens samt andra kognitiva sjukdomar (FTD, DLB, MCI). En följd av slutsatser implementeras med första ordningens predikatlogik som baseras på dessa riktlinjer. Dessa regler sätts med syfte att kunna upptäcka och identifiera kognitiva sjukdomar, vilka benämns som typiska fall. Systemet föreslår sedan en otvetydig diagnos, vilket det också motiverar. Det ger även påminnelser om vad användaren bör tänka på, samt meddelar i de fall ytterligare data är nödvändig för en fullständig diagnos. (Helena Lindgren, 2005) Regler: Formaliseringen av domänkunskapen för de typiska fallen implementeras i form av Satslogik. Detta sker med hjälp av följande konnektiv: ^ konjunktion (och), V disjunktion (eller), implikation, negation. Steg ett, bestämma förekomst av kognitiv sjukdom. För att avgöra detta undersöker systemet huruvida patienten har försvagat minne samt omdöme. För att utreda detta inhämtas släktingars sjukdomshistoria. En sökning efter kognitiva sjukdomar görs med hjälp av olika verktyg, exempel: episodicmem ^ semanticmem ^ shorttermmem Amnesia Amnesia Cognitive_Disease StatusJudgementDysfunction ^HeteroanamnesisJudgementDysfunction JudgementDeficit JudgementDeficit Cognitive_Disease

Steg två, Bestämma vilken typ av sjukdom det är. Detta görs för att eliminera andra möjliga kognitiva svagheter, de vanligaste är: delirium, depression, mild kognitiv försvagning samt amnesi. För att få resultatet Demens måste det finnas försvagning i det semantiska minnet tillsammans med en eller fler av följande symptom: apraxia, aphasia, agnosia och/eller störning i utförandefunktioner. Exempel på regler: Apraxia OtherCognitiveDeficiencies Agnosia OtherCognitiveDeficiencies Aphasia OtherCognitiveDeficiencies ExecutiveFunctionDeficit OtherCognitiveDeficiencies Amnesia ^ severe severeamnesia OtherCognitiveDeficiencies ^ severe severeothercognitivedeficiencies severeamnesia ^ severeothercognitivedeficiencies ^ Delirium Dementia Steg tre, bestämma vilken typ av demens. I detta steg fastställs vilken typ av demens patienten lider av, i de fall då de två tidigare stegen gav resultatet Dementia. Den vanligaste typen av demens är Alzheimers, andra typer är kärldemens (Vascular), frontlobsdemens (Frontotemporal) och Dementia of Lewy body type (DLB). Ett flertal medicinska riktlinjer användes och dessa regler skapades: Dementia ^ FocalSigns Dementia_Vascular Dementia ^ VascularSignsInXray Dementia_Vascular Dementia ^ GradualOnset ^ Progressive Dementia_Alzheimer Dementia ^ GeneralMedicalCondition DementialDuetoGeneralMedicalCondition SocialSkillDeficit ^ ADLdeficit ^ EmotionalBlunting ^ GradualOnset ^ Progressive ^ JudgementDeficit ^ SevereAmnesia ^ SpatialDesorientation ^ OtherNeurologicalSymptoms Dementia_Frontotemporal Dementia ^ fluctuatingcognition ^ extrapyramidal DLB Dementia ^ extrapyramidal ^ visualhallucinations DLB Dementia ^ fluctuatingcognition ^ visualhallucinations DLB Då kognitiva sjukdomar är en komplex domän är det viktigt att inte endast ge en typ av slutledning, utan att även kunna ange den mest passande tolkningen som finns tillgänglig givet en viss miljö samt patient. De fall där flera olika diagnoser passar in på angiven data kallas för otypiska fall. När ett sådant fall dyker upp föreslår systemet, med hjälp av en argumentationsmekanism, hur användaren kan få support av medicinska riktlinjer. Det finns ett flertal olika argumentationsmekanismer beskrivna i Helena Lindgrens avhandling. Huvudidén med argumentation är att kunna strukturera resonemang så att de regler som stödjer en slutsats kan bli ersatta ifall ny information sätts till resonemanget. Relationer mellan argument definieras för att sedan se vilka argument som ska tas bort. Detta

sker genom att ett argument paras ihop med ett värde från ett dictionary, vilket innehåller en lista av olika värden. Sedan går det att jämföra argumenten så att de kan sorteras. Ett argument kan beskrivas av paret (, ). är en mängd argument och är ett påstående som är beräknat som en slutsats ur antagandena i argumenten. Argument kan sedan utökas med trolighetsgraden i påståendet baserat på, detta representeras i trippeln (,, ). representerar olika grader av trolighet. Ett exempel på en argumentationslogik är LR2L, vilken har operatorerna beliefs <bel> och goals <goal>. Relationen mellan dem är: <bel>f <goal>f, det vill säga; ett mål kommer uppnås i ett tillstånd om det anses troligt i tillståndet. Exempel: <bel> (amnesia ^ OtherCognitiveDefiences) <goal> Dementia Själva argumentationen uppnås med delmängden LArg. Genom att använda en modaloperator <sup> så kan systemet blanda modal satslogik med vanlig satslogik. Modallogik är logik där modaliteter studeras, till exempel möjlighet. Exempel: <bel> ( amnesia ^ OtherCognitiveDeficiences ^ FocalSigns) <sup> VaD Detta kan utläsas som att då patienten inte har amnesi, men har andra kognitiva brister samt beteendemässiga försämringar så är kärldemens en möjlig diagnos. Helena Lindgren menar att för att formalisera kunskap om kognitiva sjukdomar, som till exempel demens, är en kombination av olika tekniker att föredra. För de typiska fallen används första ordningens predikatlogik medan otypiska fall behöver teknik som kan hantera rimlighet och flera olika värden. Ett antal olika tekniker har testats och kunskapsbasen är fortfarande under utveckling. Hur bra diagnosen sedan stämmer beror på följande faktorer: domänkunskapen, hur väl systemet fungerar ihop med miljön samt kognitiva färdigheter mellan system och användaren. (Helena Lindgren, 2005 & 2007) Prototyp II: I denna del presenteras kortfattat Prototyp II från 2005, den har under senare år utvärderats och vissa tillägg har gjorts men grunderna är desamma. I systemet matchas bevis gällande patienten med argument som motsvarar en särskild diagnos. I vissa fall kan patienten ha olika symptom som leder till antingen flera olika stödjande eller motsägande argument för en specifik diagnos. Det är då upp till användaren att avgöra trovärdigheten i de diagnoser som föreslås eftersom det inte finns någon funktion i systemet som jämför olika hypoteser. Användaren markerar då sitt val av demensdiagnos och systemet ger förslag på aktioner tillbaks. Detta sker endast då nödvändig information har getts till systemet och då det rör sig om ett otypiskt fall.

Bild 3. Nivåer av pålitlighet av föreslagna diagnoser. Level 1 gäller typiska fall, Level II & III otypiska fall. Då mer än en diagnos passar in på given information behövs ytterligare utredning. Detta klassas som nivå två i pålitlighet. Mer information ges då till systemet, om det då efter nivå två har fynd som tyder på någon form av demens men ändå saknar total matchning mot riktlinjerna så används argumentationsmekanismen för att peka på någon diagnos. Då är systemet på nivå tre vilket har lägst reliabilitet. Reglerna för varje diagnos är i form av funktioner. Dessa kan sedan användas för att få fram slutledningar i processen. De olika diagnoserna minskas så mycket som möjligt under processens gång, med hjälp av de medicinska riktlinjerna. Bild 4. Exempel på funktionen för syndromet Amnesi. Det fjärde steget i processen undersöker konsekvenser av kognitiva svårigheter och huruvida patienten har BPSD (Beteendestörningar och Psykiska Symtom vid Demenssjukdom). I det sista steget, steg fem, fastställs eventuellt ingripande. För att fastställa ingripande används verktyget Behave-AD, vilket är implementerat i systemet. Det genererar en profil som kan användas då lämplig behandling ska ges, i profilen anges förekomst av varje symptom enligt en skala på 0-3. (Helena Lindgren, 2005)

(Helena Lindgren, 2005) Bild 5. Beteendepatologi för Alzheimers, Behave-AD.

Användargränssnitt: Användargränssnittet implementerades i Visual Basic 6.0. Det består av en huvudruta som guidar användaren igenom processen genom att ge instruktioner samt feed-back. Den vänstra delen av rutan består utav knapparna som binder samman olika ramar och funktioner, det finns även en meny där samma funktioner hittas. Samtidigt som processen är igång visas information i en textruta under dessa knappar. Utöver huvudramen finns det ytterligare två ramar som används för att visa resultaten. Dessa uppdateras under hela processen. Det finns en stor del olika funktioner där information ska ges till systemet, denna skrivs in av användaren. När något saknas i ett fält visas detta genom att rutan markeras med rött. Bild 6. Användargränssnitt, huvudramen. Användaren är här i det tredje steget av processen. (Helena Lindgren, 2005)

Så används systemet idag: Systemet testas på olika kliniker för att sedan kunna utvärderas. Det finns på två hälsokliniker samt två äldrevårdskliniker i Västerbotten. Det finns även i Korea, Kina och Japan där det finns ett samarbete med lokala forskningssjukhus. Kunskapsbasen utvecklas genom att använda sig av patientfall ur databaser samt sjukhus. Arbete sker även för att utveckla en webbaserad version. (Helena Lindgren, 2005 & 2007) Framtida forskning Medicinska beslutsstödjande system, CDSS: Allteftersom nya medicinska redskap utvecklas och de föregående blir automatiserade, blir CDSS allt viktigare. De hjälper oss genom att förstärka utförandet av redskapen samt att tolka informationen som ges. Det finns dock vissa svårigheter som försvårar spridningen och användningen av CDSS, till exempel det tidigare nämnda problemet med kunskapsbasen. Det är svårt att avgöra när medicinsk kunskap kan räknas som fakta, och därmed svårt att veta vad som ska läggas till kunskapsbasen. Det är även viktigt att utveckla bra och användarvänliga gränssnitt, så att systemet upplevs som flexibelt. Även system som används enbart med andra system måste kunna arbeta bra tillsammans, för att till exempel kunna mappa information mellan CDSS och medicinska databaser. Detta är bara några exempel på vad som behöver förbättras inom CDSS, men framtiden ser ljus ut. Intresset ökar ständigt för dessa system och fler forskare inom området kommer till. (Randolfh A. Miller, MD. 1994) Dementia Management Support System, DMSS: Forskning fokuseras på undersökning samt utveckling av metoder som ska användas för att representera datastrukturer och terminologi. Även interaktionsdesign ligger i fokus för utvecklandet av användbara beslutstödsystem. En ontologi baserat på den kliniska terminologin SNOMED CT och klassificeringen ICF håller på att utvecklas. Arbetet med att göra en modell av undersökningsprocessen baseras på ACTclin, vilket är en semiformell struktur för att fastställa medicinsk kunskap i ett beslutsstödjande system. Den resonerande processen i systemet modelleras med hjälp av prototypsystemet ACKTUS. (Helena Lindgren, 2005 & 2007)

Diskussion Jag fann fördjupningsområdet A.I. inom medicin mycket intressant och tror att det finns stora möjligheter att utveckla fler system. Beslutsstödjande system verkar vara ett bättre alternativ än rena expertsystem eftersom jag gillar idén att människa och dator samverkar, istället för att systemet ska ersätta människans expertis helt. Även om system utvecklas och ständigt blir bättre på att efterlikna människans rationella sätt att tänka, och att vissa system redan är bättre på att dra slutsatser än människan, så tror jag inte att samhället vill ersätta läkare helt. Det finns vissa saker som ett system aldrig kommer kunna lära sig, som till exempel känslor. Angående Helena Lindgrens DMSS så kommer jag fortsätta följa hennes arbete och utveckling av systemet, jag hade själv en mormor som gick bort förra året i demens så jag vet hur komplicerad sjukdomen är och jag tycker självklart att en förbättring inom demensvården är högst välkommet. Systemet i sig tycker jag verkar vara bra, även om det fortfarande är i utvecklingsfasen. Helena Lindgren har i intervjun sagt att de har fått bra respons ifrån de kliniker där systemet har testats. Precis som hon nämner både i sina avhandlingar samt i intervjun ligger en svårighet i att fånga de fall som inte är typiska, det vill säga undantagen. Jag anser att det är viktigt att läkarna vet om detta, och att även andra brister kan förekomma, så att de inte förlitar sig för mycket på det systemet föreslår. För att systemet ska komma till störst användning tror jag det är viktigt att användaren har bra kunskap om demens/sjukvård och att denne arbetar tillsammans med systemet. Det är även viktigt att systemet är lätt att förstå för användaren och att missförstånd mellan system och användare är sällsynt. För att uppnå detta krävs bland annat ett bra användargränssnitt och en väl utvecklad kunskapsbas. Det är många medicinska beslutsstödjande system som utvecklas men få når ut till verklig användning. Det finns väldigt lite forskning kring detta så jag skulle tycka det vore intressant att undersöka varför till exempel läkare inte väljer att använda dessa system. Jag hoppas och tror att fler system kommer att utvecklas inom medicinen, främst då för de sjukdomar som är av det mer komplicerade slaget där läkare har stor nytta av ett stöd i beslutsfattandet.

Referenser Darlington, K. Expert Systems. Prentice Hall, 2000. Lindgren, H. Managing Knowledge in the Development of a Decision-Support System för the Investigation of Dementia. Li-avhandling, Umeå Universitet, 2005. http://www.cs.umu.se/~helena/pub/licentiatethesis05.pdf (hämtat 2009-09-17) Lindgren, H. Decision Support in Dementia Care: Developing Systems for Interactive Reasoning. PhD-avhandling, Umeå Universitet, 2007. http://umu.divaportal.org/smash/record.jsf?pid=diva2:140346 (hämtat 2009-09-20) Miller, R. Medical Diagnostic Decision Support Systems Past, Present and Future. J Am Med Informatics Assoc., 1994. Russel, S. Norvig, P. Artificiall Intelligense, A Modern Approach. Prentice Hall, 2003 Rönn, M. Söderström, W. Medicinska expertsystem. C-uppsats Linköpings Universitet, 2000. S. Berner, E. Clinical Decision Support Systems. Springer Science+Business Media, 2007.

Bilagor Intervju med Helena Lindgren, utvecklare av DMSS (091002): 1. Vilka mål hade Ni när Ni startade projektet? Har Ni uppfyllt dessa? (Jag har bland annat läst att systemet förväntades kunna fånga 80 % av demensfallen, uppfyller systemet detta?) Svar: Ett övergripande mål var initialt att systemet förväntades stödja diagnosticering i "enkla" rutinmässiga fall då många har Alzheimers och läkarna (experterna) uppskattade att de enkla fallen borde vara bortåt 80%. Vi (jag) definierade "enkla fall" som de fall som utan ambiguities kunde diagnosticeras med ett urval av de viktigaste riktlinjerna (flera behövs för att täcka in området) och med kunskap som kunde representeras med enkla produktionsregler. Utifrån dessa kriterier har mängden "enkla fall" reducerats till ca 50% och vid undersökning var det olika om läkare uppfattade ett fall som enkelt eller svårt. Flera av de som systemet definierade som enkla uppfattade läkaren som svåra och nån gång var det tvärt om. I dessa fall var det riktlinjerna som var tvetydiga och läkaren hade egna tumregler som hjälpte att förenkla resonemanget. Vid ytterligare utvärderingar med ett gäng riktigt svåra fall var det tydligt att systemets kunskapsbas inte heller kunde begränsas till de vanligaste typerna av demens för då gjorde systemet som läkaren, antingen gav fel svar eller "gav upp". Därför har senaste tidens utveckling gått mot att inkludera också undantagen, och användande av formaliseringstekniker som kan fånga och förmedla tvetydigheter och förändrat symptomunderlag (defiesable reasoning). Vi har fortfarande en kärna i systemet som fångar de enkla fallen, och för att få ytterligare stöd för hypotesbildning och de svårare fallen har vi inkluderat ytterligare stöd. Framför allt är målet med systemet att det ska utveckla kunskapen hos användaren, att definitioner och begrepp blir rätt uppfattade, att medvetenheten om begränsningar i riktlinjer kommer fram i patientfall. De svenskar som testar systemet nu i Västerbotten säger att systemet gör dem nyfikna, de vill veta mer och använda systemet som ett verktyg i sina teamarbeten och som distanskonsultationsverktyg till geriatriken i Umeå. Än så länge är systemet dock under utveckling och utvärdering. 2. Vilka problem tycker Du har varit svårast att hitta en lösning på? Svar: Vet inte.. om det varit några stora problem, en ödmjukhet inför komplexiteten i demensdomänen hjälper till så att man utgår ifrån att det inte är enkelt. Jo, förra veckan diskuterade vi hur okunskapen om vilka "thresholds" som borde gälla på symptomnivå gör systemet svagare, men inte svagare än domänkunskapen som inte hittat dessa cut-off scores.

3. Hur ser Du på begreppet "intelligens" och tycker Du att DMSS uppträder intelligent? Svar: Systemet försöker återskapa den kunskap som finns inom området och förhålla sig vettigt till både kunskap och brist på kunskap. det tycker jag är intelligent, både hos system och människor. Att vi sen försöker anpassa systemet att följa läkarens resonemangsprocess för att på ett sätt bli en diskussionspartner är också att spegla intelligens och användarens intelligens/kunskap. 4. Har Ni fått bra gensvar från de kliniker där systemet har testats? Svar: Ja 5. Hur ser framtiden ut för DMSS? Svar: Nu är vi inne i en utvärderings- och valideringsperiod, fram till april då systemet kommer att användas vid kliniker i Västerbotten, Osaka, Seoul och Shanghai. Parallellt utvecklar vi verktyg som kan användas för att validera och utveckla/uppdatera kunskapsbasen som kommer att ligga till grund för en webbaserad version.