پنج شنبه 31 خرداد 1397 | Thursday 21 st of June 2018 صفحه اصلی گروه الکترونیکی کامپیوتر
6-4- مکانیسم های استنباطی استفاده شده درCDSS

 

مکانیسم های استنباطی که در CDSS  استفاده می­شود شامل شبکه­های عصبی، شبکه­های معنایی، الگوریتم ژنتیک و سیستم­های غیرمستدل می­باشد. در CDSS  های مبتنی بر قانون، قانون­های if-then، مورد پردازش قرار- می­گیرند. زنجیره­های پسرو و پیشروی قانون­ها ممکن است برای تشخیص و تهیه توضیحات تشخیصی کاربران بالینی، مورد استفاده قرارگیرند. سیستم­های بیزین[1] بر اساس تشخیص­هایی که از بیماری های قبلی به دست امده است و همچنین علائم و نشانه­های بالینی، پیش بینی می­کنند. سیستم­های غیر مستدل شامل پیش بینی­های اماری است. بعضی از روش­های اماری مانند ماشین بردار پشتیبان (SVM) و ماشین ابزار حداقل مربعات (LSSVM  ) برای استدلال­های پزشکی پیشنهاد شده است. شبکه­های عصبی به عنوان مکانیسم استنباطی توسط محققین استفاده می­شود. زیرا در هنگام توسعه این نوع از CDSSها، نیاز به درک رابطه بین متغیرهای ورودی و خروجی ندارند. 

لی[2] و همکارانش، شبکه­های عصبی را با سایر مدل­های ریاضی مقایسه می­کنند تا سیستم پشتیبان         تصمیم­گیری پزشکی مربوط به اسیب­های مغزی را بسازند (MDSS) و نتیجه این است که شبکه­های عصبی   راه­حل بهتری برای CDSSهای غیر خطی و پیچیده نسبت به تکنیکهای اماری قراردادی ارائه می­کند . ایراد شبکه­های عصبی این است که شبکه­ها از قانون­هایی استفاده می­کنند که از منطق خاصی پیروی نمی­کند و به طور اشکار قابل درک نیست.

در الگوریتم ژنتیک، با توسعه بهترین راه­حل، راه حل بهینه­ای که مناسب­ترین است، به دست می­اید. در مطالعات جدید متدلوژی­های استنباطی مختلفی برای پاسخ­های پزشکی، الحاق شده­اند  مانند LSSVMبا       وزن­دهی فازی، یا شبکه­های عصبی مصنوعی با وزن­دهی فازی. هنگامی که مدل سازی دانش پزشکی به صورت منطقی دشوار است، متخصصین پزشکی اطلاعات خود را با مثال ارائه می­دهند.  در این شرایط، مدل سازی نمادین (CBR)درDSS ، استفاده می­شود. فایدهCBR   این است که موارد بالینی تجربی مشابه، از سایر        دانش­های پزشکی متقاعد کننده­تر است. اما اشکال این روش این است که اندازه­گیری شباهت میان موارد مختلف دشوار است، همچنین فرایندهای بازیابی به ندرت دقیق و موثر است و ورودی­های موردنیاز CDSS  که بر اساس CBR  به دست می­اید، به اسانی مورد قبول متخصصین واقع نمی­شود.

 

ارزیابی CDSS  :

 به گفته میلر[3]، ارزیابی CDSSباید شامل چهار مورد زیر باشد:

1- ارزیابی مناسب

2- ارزیابی درجه سودمندی CDSS

3- ارزیابی محدودیت­های CDSS

4- تعیین دلایل پنهان محدودیت تاثیرات سیستم

کیت[4] وگرین[5] مراحل بررسی  CDSSرا این گونه تعریف می­کنند:

1-   ارزیابی دانش متخصصین

     2- ارزیابی سیستم مجتمع

     3-ارزیابی خارجی سیستم

    4- ازمایشات تصادفی چندمرکزی برای ارزیابی سیستم

اکثر ارزیابی­هایCDSS  بر صحت سیستم متمرکزند و تمرکز کمتری بر ارزیابی تاثیر استفاده CDSSبر مراقبت­های بالینی دارند.

معیارهای پذیرش سیستمهای پشتیبانی تصمیم

·پشتیبانی جمع­اوری داده[6]: سیستمهای تصویربرداری

·کاهش داده[7]: سیستمهای اطاق عمل و واحدهای مراقبت ویژه

·ارزیابی داده[8]: سیستمهای ازمایشگاهی

 

پایگاه دانش(KB)[9]پزشکی:

مجموعه اطلاعات (دانش)پزشکی که بطور سیستماتیک سازماندهی شده و بصورت الکترونیکی قابل دسترسی هستند و نیز قابلیت تفسیر بوسیله کامپیوتر را دارند، پایگاه دانش پزشکی را تشکیل می­دهند. با ایجاد KBمی­توان، جمع­اوری و پخش الکترونیکی اطلاعات پزشکی را تسهیل نمود.

 



[1]Bayesian

[2]Li

[3]Miller 

[4]Keith

[5]Greene

[6]Support of Data Acquisition

[7]Data Reduction

[8]Data Validation

[9]Knowledge Base

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26