Академический Документы
Профессиональный Документы
Культура Документы
Resumen
1 Introducción
Un posible enfoque en cuanto a los sistemas de telemedicina, que puede ayudar en gran
medida a mejorar la calidad y rapidez del diagnóstico y tratamiento de pacientes, es el
uso de aplicaciones inteligentes basadas en conocimiento, conocidas como Sistemas
Basados en Conocimiento (SBC). Dichas aplicaciones disponen de un modelo de
conocimiento conocido como base de conocimiento donde se recoge información sobre
objetos, propiedades y relaciones del dominio de interés, esto es, en nuestro caso,
información sobre síntomas, signos, patologías, etc., y las propiedades y relaciones
entre los mismos. Además, los SBC cuentan con información relevante sobre cómo
resolver la tarea para la que son construidos, a partir de la información contenida en la
base de conocimiento y los datos aportados por el usuario. En la aplicación que
presentamos en este trabajo, la tarea a resolver por el sistema de conocimiento es el
diagnóstico a partir de los síntomas relatados por el paciente y los resultados de las
observaciones que se le practiquen al mismo. Este proceso de diagnóstico debe ser
cooperativo en tanto que el usuario de la aplicación debe, en todo momento, poder
disponer del control sobre los datos introducidos y del proceso de razonamiento
seguido. En el entorno médico, los SBCs permiten, pues, no sólo ayudar a un clínico en
las tareas de diagnóstico o tratamiento de pacientes, sino que además pueden ser útiles
como herramienta de aprendizaje para nuevos especialistas.
En 1991, Neches y col. [12] propusieron que la construcción de SBCs podría orientarse
a combinar y ensamblar componentes de conocimiento. Esto permitiría reutilizar y
compartir conocimiento entre diferentes sistemas, de forma que el desarrollo de nuevos
sistemas se centraría en especializar conocimiento y razonadores preexistentes para la
aplicación dada. Desde entonces, se han desarrollado muchos tipos de fuentes de
conocimiento, que podemos encontrar disponibles ‘on-line’ en el WWW. Por ello, hoy
en día, el diseño de sistemas inteligentes basado en componentes es la alternativa más
recomendada en el campo de la Inteligencia Artificial aplicada.
2 Métodos
3 Resultados
Paciente Genérico Esta parte modela las actividades que el médico realiza con cada
paciente, incluyendo los datos que identifican al paciente y su historia médica. La
mayor parte del conocimiento de esta parte ha sido modelado y formalizado a partir de
[10]. En cada visita, el médico deberá interrogar al paciente, realizando lo que se conoce
como ‘Anamnesis’, y preguntará al menos por la historia de la enfermedad actual,
incluyendo el motivo principal y un conjunto de síntomas adicionales. Si además, se
trata de la primera visita, el médico registrará la mayor información posible sobre su
historia médica pasada, y sus historias familiar y psicosocial. En la figura 1 puede verse
algunas de las jerarquías de conocimiento modeladas, junto con los atributos diseñados
para ‘anamnesis’ usando la herramienta PROTEGE-2000.
Test Esta parte ontológica modela las actividades que los diferentes agentes médicos
llevan a cabo en relación con el cuidado de sus pacientes. En UMLS se distinguen tres
tipos de actividades relativas al cuidado de la salud: ‘Diagnostic Procedures’,
‘Laboratory tests’ y ‘Therapeutics’ (o ‘Preventatives’). En nuestra ontología hemos
usado conocimiento de ‘Diagnostic Procedures’, pues en éstos se engloban las tareas
centrales en el diagnóstico de urgencias oftalmológicas.
Hallazgos y abstracciones del estado clínico En esta parte modelamos todo lo que, en
relación con el ojo, puede ser directamente observado o medido (‘Finding’, tal y como
se define en UMLS); además de todo lo que, en un nivel de abstracción más alto, se
obtiene a través de algún tipo de razonamiento a partir de los anteriores (‘Clinical State
Abstraction’). UMLS no realiza claramente esta diferenciación que, sin embargo, la
recoge la librería de Falasconi.
KEAM es un prototipo de SBC accesible vía web que está siendo desarrollado en la
actualidad, y que pretende llegar a ser un sistema de telediagnóstico. Técnicamente,
puede considerarse que se trata de una aplicación cliente servidor construida para web y
basada en una base de datos. El prototipo cuenta con varios niveles de acceso (figura 2):
ingeniero de conocimiento, experto del dominio y usuario (profesional médico no
experto). Actualmente se están implementando, habilitando y evaluando en KEAM
opciones que permiten tanto la adquisición de la estructura del modelo (base de
conocimiento) como la adquisición del modelo del dominio.
Dada la analogía entre la interfaz visual de KEAM y los entornos de ventanas clásicos
del tipo Microsoft Windows (entornos de amplia difusión), la utilización de dicha
interfaz apenas necesita un proceso de aprendizaje. En este sentido, hemos recibido
valoraciones muy positivas de la interfaz visual, sobre todo teniendo en cuenta que uno
de los inconvenientes de cualquier aplicación software es el aprendizaje de uso de la
interfaz.
• Los tiempos de acceso, esto es, el tiempo que toma el equipo cliente en cargar
totalmente la página que contiene a la aplicación oscila entre 3 y 5 segundos.
• Una vez cargadas, las páginas web permiten una alta interacción con el usuario.
Por ejemplo, podemos navegar a través de las 738 patologías introducidas en la
aplicación KEAM, sin necesidad de conectar constantemente con el servidor
para solicitar más información. El refresco de la información de un nodo, lo cual
entendemos por expandir o contraer una categoría, es casi inmediato. Debido a
esto, los tiempos de respuesta de la aplicación a la interacción con el usuario son
muy buenos.
Por todas sus funcionalidades, estimamos que KEAM es una aplicación que puede ser
usada en remoto como ayuda al diagnóstico y como aprendizaje a distancia, de manera
sencilla y con tiempos de respuesta excelentes que la convierten en una muy viable
herramienta en telemedicina.
Agradecimientos
Referencias
1. Bertolini, J. and Pelucio, M. The red eye. Emerg Med Clin North Am, 13(3):561-
579, 1995.
2. Chandrasekaran, B. and Josephson, J.R. and Benjamins, R. What are ontologies,
and why do we need them? IEEE Intelligent Systems and their applications,
14(1):20-26, 1999.
3. Davey, C.C. The red eye. Br J Hosp Med, 55(3):89-94, 1996.
4. Eriksson, H. and Shahar, Y. and Tu, S.W. and Puerta, A.R. and Musen, M.A.
Task modeling with reusable problem-solving methods. Artificial Intelligence,
79(2):293-326, 1996.
5. Falasconi, S. and Stefanelli, M. A library of implemented ontologies. In Proc. of
the ECAI Workshop on comparison of implemented ontologies, Amsterdam,
1994.
6. Fensel, D. and Benjamins, R. and Motta, E. and Wielinga, B. UPML: A
Framework for knowledge system reuse. In Proceedings of the International
Joint Conference on AI (IJCAI-99), Stockholm, 1999.
7. Fensel, D. and Groenboom, R. Specifying Knowledge-based Systems with
reusable components. In Proceedings of the 9th International Conference on
Software Engineering and Knowledge Engineering (SEKE-97), Madrid, 1997.
8. Kayed, R.M. and Colomb, R.M. Extracting ontological concepts for tendering
conceptual structures. Data and Knowledge Engineering, 40:71-89, 2002.
9. National Library of Medicine. Unified Medical Language System. Bethesda,
MD, 2001
10. Lloyd, J.S. Components of the medical history. Introduction to the practice of
Medicine I. In http://www.meddean.luc.edu/lumen/MedEd/ipm/comphx1/,
August, 2001.
11. Musen, M. and Tu, S. and Das, A. and Shahar, Y. A component-based approach
to automation of protocol-directly therapy. JAMIA, 3:267-388, 1996.
12. Neches, R. and Fikes, R.E. and Finin, T. and Gruber, T.R. and Senator, T. and
Stwartout, W.R. Enabling technology for knowledge sharing. AI magazine,
12(3):36-56, 1991.
13. Schreiber, A. and Akkermans, H. and Anjewierden, A.A. and Hoog, R. and
Shadbolt, N.R. and Val de Velde, W. and Wielinga, B. Engineering and
managing knowledge. The CommonKADS methodology. The MIT Press, 1999.
14. Taboada, M. and Des, J. and Mira, J. and Marín, R. Development of diagnosis
systems in medicine with reusable knowledge components. IEEE Intelligent
Systems, 16(6):68-73, 2001.
15. van Harmelen, F. and Horrocks, I. Reference description of the {DAML+OIL}
ontology markup language. In http://www.daml.org/2001/03/reference.html,
DARPA Agent Markup Language Program, 2001