MUM - Zvládnutí nejistoty v medicíně (Managing Uncertainty in Medicine)

1. Cíle

Cíli projektu bylo přispívat do sjednocující teorie o řízení nejistoty, což zahrnuje pravděpodobnostní a fuzzy přístupy; začlenění těchto výsledků zkoumání do diagnostických znalostních systémů a inteligenčních systémů datových analýz; získání praktických zkušeností v oblasti zpracovávání medicínských dat/znalostí zaváděním softwarových nástrojů do vybraných medicínských institucí a rozvoj systémů pro podporu rozhodování, které by byly využívány v různých klinických odděleních s cílem poskytnout pacientovi lepší péči, zejména v těch oblastech, kde je nedostatek klinických odborných znalostí.

Důvodem, proč tento projekt vzniknul, byla potřeba využít zdokonalených technologií západní Evropy, které by se staly dostupnými pro zúčastněné státy střední Evropy s hlavním důrazem na užitek pro pacienty.

2. Popis projektu

Dedukce nejistoty je fascinujícím tématem na hranici umělé inteligence a analýzy dat. Znalosti, data, informace - všechno může být nejisté. Existuje několik protichůdných přístupů jak přiblížit usuzování (pravděpodobnostní, fuzzy, hodnotová logika, atd.), ale zejména v Evropě se vyvíjejí kontakty mezi různými školami a jejich vzájemné obohacování. Významná práce byla odvedena v analýze dat, která je nedokončená a nese stupeň nejistoty. V Anglii byly rozvíjeny a testovány statisticky spolehlivé stromové klasifikátory a aplikovány v různých oblastech. V České republice byla vyvinuta metoda automatického generování hypotéz z neúplných dat (GUHA). Ve Španělsku důsledná teoretická práce ve fuzzy a mnohodnotnostní logice vedla k vytvoření dedukčního nástroje s přibližným usuzováním (MILORD). Teoretická práce na řízení nejistoty byla provedena v České republice použitím pravděpodobností teorie a Dempster-Shaferovské teorie důkazu. Některé důležité výsledky již byly dosaženy a některé experimentální systémy vybudovány. Bylo navrženo pokračovat a koordinovat teoretický výzkum v řízení nejistoty a implementační aktivitě při vytváření softwarových nástrojů pro budování systémů zpracovávajících znalosti a pracující s nejistotou.

Mnoho z dat, která se objevují v biomedicíně, ve své podstatě obsahují stupeň nejistoty. V několika výzkumných centrech mají zkušenosti se zpracováváním takových dat logickým a vědeckým způsobem. Expertní systémy, často označované jako systémy na podporu rozhodování, jsou nyní v popředí zájmu v mnoho oblastech, včetně medicíny. Bylo navrhnuto využít znalostí členů projektu a využít již zmíněné techniky k zjištění jejich využitelnosti v medicíně a zdravotnictví. Typickými oblastmi, kde by tyto výhody mohly být využity jsou: intenzivní péče, kardiotorakální chirurgie, kontrola diabetu, léčba hypertenze, řízení zdravotní péče a ve studiích asociace mezi rizikovými faktory a nemocemi.

Značná práce již byla vykonána v Mechanizaci formování hypotézy a testování v přítomnosti nejistoty; expertní systémy Otevřené srdeční chirurgie a intenzivní péče byly vyvinuty a začaly se používat v rutinní praxi (Anglie). MILORD byl použit k vytvoření expertního systému PNEUMON-IA pro diagnózu zápalu plic (Španělsko). I přes to je potřeba udělat ještě mnoho práce v těchto oblastech a metodologii je potřeba vyzkoušet i za národními hranicemi. Toho může být dosaženo s významným přínosem pro péči o pacienta, zejména v těch oblastech medicíny a v těch zemích, kde je nedostatek konzultačních odborných znalostí.

Navrhovatelé se navzájem doplňují, pokrývají řadů různých přístupů k přibližnému usuzování a různé pokusy, jak vytvořit expertní systémy, datové a analytické systémy pro medicínu.