O diagnóstico médico é um assunto complexo e sofre de várias armadilhas. Embora o estudo da medicina seja uma ciência, a prática é uma arte. Erros podem acontecer a um custo enorme para o paciente e sua família e médico. Os Sistemas de Apoio à Decisão Clínica (CDSS) são desenvolvidos para minimizar os erros. A AI-MED foi concebida para ajudar os médicos a minimizar os erros na sua prática. Num estudo verificou-se que 225 000 doentes morrem todos os anos devido a erros médicos, incluindo erros de diagnóstico (15%) e efeitos colaterais dos medicamentos (45%). O CDSS torna-se obrigatório para uso nos EUA juntamente com o HIS para minimizar estes erros. Erros de diagnóstico são cometidos por médicos por várias razões. Os psicólogos estudaram-nos e descobriram que as características de distração podem ser uma das razões. Por exemplo, pode pensar-se que algumas características são importantes devido à sua relação atual com algum evento, mas pode não estar envolvida em processos de doença ou não relacionadas com o diagnóstico. O raciocínio igualmente defeituoso pode ser devido a preconceitos cognitivos ou de confirmação. Alguns outros erros podem dever-se a ancorar ou enquadrar ou fechar antecipadamente os cabos. A IA-MED foi concebida para minimizar estes erros, perturbando o processo. O processo de diagnóstico da AI-MED é disruptivo para o diagnóstico tradicional (não considerando qualquer preconceito invariavelmente envolvido no raciocínio humano) e, portanto, minimiza os erros.
A inteligência artificial (IA) é constituída por Processamento de Linguagem Natural (PNL) e Apoio à Decisão de Diagnóstico (DDS) e fazem parte do CDSS. Alguns exemplos de NLP incluem um classificador de texto estatístico. No entanto, os termos clínicos são muito complexos e geralmente são baseados em termos latino e grego. Foi desenvolvida uma Nomenclatura Padronizada de Termos Clínicos de Terminologia Médica (SNOMED-CT) para a classificação de texto. Os termos (mais de 300 000) são indexados por números de 9 dígitos para descrição precisa e processamento automatizado. Os algoritmos são construídos para usar este índice para uma interpretação correta dos dados do paciente. DDS é aplicado em dados do paciente para diagnóstico. As redes de crenças probabilísticas bayesianas são populares e os seus métodos de aproximação podem ser usados para o diagnóstico. O Sistema de Referência de Inteligência Artificial (PAIRS) do Médico Assistente é desenvolvido em linhas semelhantes. Tem cerca de 28 000 ligações de doenças para cerca de 486 doenças da medicina interna e 2000 características. As características do PAIRS consistem em sintomas, sinais ou testes. É IA consiste em NLP e DDS. O NLP baseia-se na análise do índice de palavras SNOMED-CT. O seu algoritmo gera índices baseados em palavras a partir dos quais os possíveis sinónimos são selecionados e exibidos. O utilizador pode introduzir dados como se gosta e o programa procura os seus sinónimos a partir de uma lista de funcionalidades. A AI-MED utiliza base de dados pairs. O NLP amigável do utilizador permite introduzir dados clínicos como se gosta. Por exemplo, as siglas são identificadas corretamente pela NLP. Uma vez introduzidos os dados do paciente, pode-se executar DDS.
A AI-MED utiliza o método de aproximação do método probabilístico bayesiano para o seu DDS. Este método foi publicado no Journal of Artificial Intelligence Research por Tommi Jaakkola e Michael Jordan em 1999. Cada uma das características do PAIRS é ponderada (0,09 a 0,99) de acordo com a sua base fisiológica e a sua importância clínica. A decisão de diagnóstico é agrupada num de cada grupo para: infeção, neoplasia, autoimune ou outros. O DDS funciona com os dados do paciente para dar um conjunto de possíveis diagnósticos. A AI-MED fornece dados de diagnóstico independentemente de qualquer preconceito. Para qualquer dado dado do paciente, constrói dados de caso a partir da base de dados PAIRS. Os dados do caso incluem pesos, incidência de doenças e seus fatores de fuga estatística. DDS é projetado para calcular uma aproximação da probabilidade de uma doença. Esta aproximação tem limites superiores e inferiores. A precisão de implementação destes algoritmos algébricos é verificada pela variação numérica consistente resultante de 0,00004 a 0,00009 entre os limites. Uma estimativa probabilística bayesiana é feita para um diagnóstico. Por último, sugere-se um conjunto de investigações para testar o possível diagnóstico. A saída pode ser guardada num ficheiro para mais referências.
história da versão
- Versão 1.0 postado em 2015-07-19
Erros Fixos
Detalhes do programa
- Categoria: Home & Hobby > Saúde & Nutrição
- Editor: AI-Med Informatics
- Licença: Grátis
- Preço: N/A
- Versão: 1.0
- Plataforma: android