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 Suporte de Decisões Clínicas (CDSS) são desenvolvidos para minimizar os erros. A IA-MED foi projetada para ajudar os médicos a minimizar erros em sua prática. Em um estudo, verificou-se que 225 mil pacientes morrem todos os anos por erro médico, incluindo erros de diagnóstico (15%) e efeitos colaterais de medicamentos (45%). O CDSS é obrigatório para uso nos EUA, juntamente com o HIS, para minimizar esses erros. Erros de diagnóstico são cometidos por médicos por várias razões. Psicólogos estudaram isso e descobriram que características de distração salientes podem ser uma das razões. Por exemplo, pode-se pensar que algumas características são importantes por causa de sua relação atual com algum evento, mas pode não estar envolvido no processo da doença ou não relacionados ao diagnóstico. Raciocínio igualmente defeituoso pode ser devido ao viés cognitivo ou de confirmação. Alguns outros erros podem ser devido à ancoragem ou enquadramento ou fechamento antecipado de leads. A IA-MED foi projetada para minimizar esses erros interrompendo o processo. O processo de diagnóstico de IA-MED é disruptivo para o diagnóstico tradicional (por não considerar qualquer viés invariavelmente envolvido no raciocínio humano) e, portanto, minimizar erros.
A inteligência artificial (IA) consiste em Processamento de Linguagem Natural (PNL) e Suporte a Decisões Diagnósticas (DDS) e faz parte do CDSS. Alguns exemplos de PNL incluem um classificador de texto estatístico. No entanto, os termos clínicos são muito complexos e geralmente são baseados em termos latinos e gregos. Foi desenvolvida uma Nomenclatura Padronizada de Termos Clínicos Médicos-Clínicos (SNOMED-CT) para classificação de texto. Os termos (mais de 300 000) são indexados por números de 9 dígitos para descrição precisa e processamento automatizado. Algoritmos são construídos para usar esse índice para interpretação correta dos dados dos pacientes. DDS é aplicado nos dados do paciente para diagnóstico. As redes de crenças probabilísticas bayesianas são populares e seus métodos de aproximação podem ser usados para diagnóstico. O Sistema de Referência em Inteligência Artificial (PAIRS) assistente médico é desenvolvido em linhas semelhantes. Possui cerca de 28.000 ligações de características da doença para cerca de 486 doenças da medicina interna e 2000 características. Os recursos do PAIRS consistem em sintomas, sinais ou testes. A IA é composta por NLP e DDS. O NLP baseia-se na análise do índice de palavras SNOMED-CT. Seu algoritmo gera um índice baseado em palavras a partir do qual os possíveis sinônimos são selecionados e exibidos. O usuário pode inserir dados como se gosta e o programa procura seus sinônimos a partir de uma lista de recursos. A IA-MED usa banco de dados PAIRS. O NLP fácil de usar permite que se insira dados clínicos como se gosta. Por exemplo, as siglas são identificadas corretamente pelo PNL. Uma vez que os dados do paciente são inseridos, pode-se executar DDS.
AI-MED usa método de aproximação do método probabilístico bayesiano para 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 sua base fisiopatológica e sua importância clínica. A decisão diagnóstica é agrupada em um de cada grupo para: infecção, neoplasia, autoimune ou outros. O DDS funciona com dados dos pacientes para dar um conjunto de possíveis diagnósticos. A IA-MED fornece dados diagnósticos independentemente de qualquer viés. Para qualquer dado dado aos dados do paciente, ele constrói dados de casos do banco de dados PAIRS. Os dados dos casos incluem pesos, incidência da doença e seus fatores estatísticos de vazamento. DDS foi projetado para calcular uma aproximação da probabilidade de uma doença. Esta aproximação tem limites superiores e inferiores. A precisão da implementação desses algoritmos algébricos é verificada por uma variação numérica consistente de 0,00004 a 0,00009 entre os limites. Uma estimativa probabilística bayesiana é feita para um diagnóstico. Finalmente, um conjunto de investigações são sugeridas para testar o possível diagnóstico. A saída pode ser salva em um arquivo para mais referência.
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: Livre
- Preço: N/A
- Versão: 1.0
- Plataforma: android