1. SISN
  2. Всі випуски
  3. Випуск 12, 2022
  4. Застосування технологій автоматичного планування для наповнення бази знань медичного профілю

Застосування технологій автоматичного планування для наповнення бази знань медичного профілю

SISN.
2022;
Випуск 12
: cc. 177 - 198
https://doi.org/10.23939/sisn2022.12.177
Автори:
  1. Дмитро Досин
  2. Андрій Яценко
  3. Віра Ковалевич
  4. Yousef Ibrahim Daradkeh
1
Національний університет «Львівська політехніка»
2
ФМI ім. Г. В. Карпенка Національної академії наук України
3
ФМI ім. Г. В. Карпенка Національної академії наук України
4
Department of Computer Engineering and Networks, College of Engineering at Wadi Addawasir 11991, Prince Sattam Bin Abdulaziz University, KSA

Широке впровадження інтелектуальних систем підтримки прийняття рішень гальмується відсутністю методів і технологій автоматичного наповнення бази знань під час експлуатації таких систем. Особливо гостра ця проблема у медичній галузі. Її вирішення – у площині застосування технологій автоматичного планування. Напрацьовані у цій галузі методи й алгоритми обчислення оптимальної стратегії розв’язання задач, які строго сформульовані у термінах логіки предикатів, дають змогу чисельно оцінювати корисність нових повідомлень і, завдяки цьому, ранжувати інформацію за важливістю та автоматично відбирати суттєву, щоб внести її до бази знань. У роботі запропоновано архітектуру медичної ІСППР, яка реалізує цей підхід, обґрунтовано застосовність марковського наближення для формалізації задач автоматичного планування у медичній галузі, ефективність запропонованого підходу показано на прикладі поінформованого вибору сироватки для вакцинування від грипу.

база знань
автоматичне планування
навчання онтології
інтелектуальна система підтримки прийняття рішень
POMDP
  1. Fellbaum, C. (1998). WordNet: An Electronic Lexical Database Cambridge: Bradford Books,.
  2. Miller, G. A. (1995). Wordnet: A lexical database for English. Communications of the ACM Vol. 38, No. 11, 39–41.
  3. Bodenreider, O. The Unified Medical Language System (UMLS): integrating biomedical terminology. Nucleic Acids Res. 2004 Jan. 1;32 (Database issue): D267–70. DOI: 10.1093/nar/gkh061. PMID: 14681409; PMCID: PMC308795.
  4. Shankar, R. D, Martins, S. B, O'Connor, M., Parrish, D. B., Das, A. K. An ontology-based architecture for integration of clinical trials management applications. AMIA Annu Symp Proc. 2007 Oct. 11; 2007:661-5. PMID: 18693919; PMCID: PMC2655871.
  5. Knop, M., Weber, S., Mueller, M., Niehaves, B. Human Factors and Technological Characteristics Influencing the Interaction of Medical Professionals With Artificial Intelligence-Enabled Clinical Decision Support Systems: Literature Review JMIR Hum Factors 2022; 9(1):e28639. DOI:10.2196/28639.
  6. Shepard, D. M. et al. Clinical implementation of an automated planning system for gamma knife radiosurgery. International Journal of Radiation Oncology, Biology, Physics, Vol. 56, Is. 5, 1488–1494, DOI: https://doi.org/10.1016/S0360-3016(03)00440-1.
  7. Schmidt, M. C. et al. Technical Report: Development and Implementation of an Open Source Template Interpretation Class Library for Automated Treatment Planning. Practical Radiation Oncology, Vol. 12, Is. 2, e153– e160. DOI: https://doi.org/10.1016/j.prro.2021.11.004.
  8. Spyropoulos, C. D. (2000). AI planning and scheduling in the medical hospital environment. Artificial intelligence in medicine, 20(2), 101–111. https://doi.org/10.1016/s0933-3657(00)00059-2.
  9. Barbagallo, S., Corradi, L., de Ville de Goyet, J., Iannucci, M., Porro, I., Rosso, N., Tanfani, E., & Testi, A. (2015). Optimization and planning of operating theatre activities: an original definition of pathways and process modeling. BMC medical informatics and decision making, 15, 38. https://doi.org/10.1186/s12911-015-0161-7.
  10. Teixeira M. S., Maran, V., Dragoni, M. (2020). The interplay of a conversational ontology and AI planning for health dialogue management. In Proceedings of the 36th Annual ACM Symposium on Applied Computing (SAC '21). Association for Computing Machinery, New York, NY, USA, 611–619. DOI: https://doi.org/10.1145/3412841.3441942.
  11. Torres Silva, E. A., Uribe, S., Smith, J., Luna Gomez, I. F., Florez-Arango, J. F. XML Data and Knowledge- Encoding Structure for a Web-Based and Mobile Antenatal Clinical Decision Support System: Development Study – JMIR Form Res 2020;4(10):e17512. DOI: 10.2196/17512 PMID: 33064087 PMCID: 7600017.
  12. Peleg, M. (2013). Computer-interpretable clinical guidelines: A methodological review. Journal of Biomedical Informatics, Vol. 46, Is. 4, 744–763. ISSN 1532-0464, https://doi.org/10.1016/j.jbi.2013.06.009.
  13. Samwald, M., Fehre, K., de Bruin, J., Adlassnig, K.-P. (2012). The Arden Syntax standard for clinical decision support: Experiences and directions. Journal of Biomedical Informatics, Vol. 45, Is. 4, 711–718. ISSN 1532- 0464,    https://doi.org/10.1016/j.jbi.2012.02.001.
  14. Foster, M. E., Petrick, R. P. A. Towards Using Social HRI for Improving Children's Healthcare Experiences. In: Proceedings of the AAAI Fall Symposium on Artificial Intelligence for Human-Robot Interaction (AI-HRI 2020), Arlington, Virginia, USA, November 2020.
  15. McDermott, D., Ghallab, M., Howe, A., Knoblock, C.A., Ram, A., Veloso, M., Weld, D., and Wilkins, D. PDDL – The Planning Domain Definition Language, Technical Report CVC TR-98-003 / DCS TR-1165, Yale Center for Communicational Vision and Control, October 1998.
  16. Papazoglou, M., Pohl, K., Parkin, M., and Metzger, A. (Eds.) (2010). Service research challenges and solutions for the future internet: S-cube – towards engineering, managing and adapting service-based systems. Springer- Verlag, Berlin, Heidelberg.
  17. Srinivasan, N., Paolucci, M., Sycara, K. (2006). Semantic Web Service Discovery in the OWL-S IDE, in: Proceedings of the 39th Hawaii InternationalConference on System Sciences.
  18. Graham, S. (2004). Building web services with Java: making sense of XML, SOAP, WSDL, and UDDI. [Indianapolis, Ind.]. Sams. http://www.myilibrary.com?id=86268.
  19. Alarcos, A. O., Beßler, D., Khamis, A. M., Gonçalves, P., Habib, M. K., Bermejo-Alonso, J., Barreto, M. E., Diab, M., Rosell, J., Quintas, J., Olszewska, J. I., Nakawala, H., Freitas, E. P., Gyrard, A., Borgo, S., Alenyà, G., Beetz, M., & Li, H. (2019). A review and comparison of ontology-based approaches to robot autonomy. Knowledge Eng. Review, 34, e29.
  20. van Leeuwen D, Mittelman M, Fabian L, Lomotan Ea. Nothing for Me or About Me, Without Me: Codesign of Clinical Decision Support. Appl Clin Inform. 2022 May; 13(3):641–646. DOI: 10.1055/s-0042-1750355. Epub 2022 Jun 29. PMID: 35768012; PMCID: PMC9242738.
  21. Malik, G., Dana, N., Traverso, P. (2004). Automated Planning Theory & Practice / G. Malik, San Francisco: Morgan Knaufman, 635 p.
  22. Russell, S. J., Norvig, P. (2009). Artificial Intelligence: a modern approach. Pearson.
  23. Braziunas, D. (2003). POMDP solution methods: technical report. Toronto: University of Toronto, 24 p.
  24. Li, H., Liao, X., Carin, L. (2006). Incremental Least Squares Policy Iteration for POMDPs. AAAI. – AAAI Press. Palm Springs, 1167–1172.
  25. Poupart, P., Boutilier, C. (2003). Value-directed compression of POMDPs. NIPS, No. 5.
  26. Spaan, M., Vlassis, N. (2005). Perseus: Randomized point-based value iteration for POMDPs. JAIR. No. 24, 195–220. 
  27. Martini, A. (2013). Integrating Metadata and Data Syntax Translation – Computer and Information Science Department. University of Oregon.. Режим доступу: http://aimlab.cs.uoregon.edu/services/owl2pddl/martini_honors_thesis_SPRING_2013.pdf
  28. McDermott, D., Ghallab, M., Howe, A., Knoblock, C.A., Ram, A., Veloso, M., Weld, D., and Wilkins, D. PDDL – The Planning Domain Definition Language, Technical Report CVC TR-98-003 / DCS TR-1165, Yale Center for Communicational Vision and Control, October 1998.
  29. Fiscus, J. G., Doddington, G., Garofolo, J. S., and Martin, A. (1998). Nist’s 1998 topic detection and tracking evaluation (tdt2). In Proc. of the DARPA Broadcast News Workshop, Virginia, US.
  30. Стратонович, Р. Л. (1965). О ценности информации. Известия АН СССР, Техническая кибернетика, № 5, С. 3–12.
  31. Харкевич, А. А. (1960). О ценности информации. Проблемы кибернетики. Вып. 4. С. 53–57.
  32. Копкин Е. В., Кобзарев И. М. (2019). Использование меры ценности информации Стратоновича для оптимизации гибких программ диагностирования технических объектов. Тр. СПИИРАН, 18:6, 1434–1461.
  33. Корогодин В. И., Корогодина В. Л. (2000). Информация как основа жизни. Дубна: Феникс. 208 с.
  34. Стратонович, Р. Л. (1975). Теория информации. Москва: Сов. радио, 424 с.
  35. Досин, Д. Г. (2018). мАрхітектура системи оцінювання пертинентності, що базується на навчанні онтології планування у вибраній предметній області. Відбір і обробка інформації. № 46 (122). С. 61–67.
  36. Досин, Д. Г. (2018). Пертинентність інформації як цінність знань для інтелектуального агента. Вісник Нац. ун-ту “Львівська політехніка”. Серія: Інформаційні системи та мережі. № 901. C. 111–117.
  37. Hubbard, D. (2007). How to Measure Anything: Finding the Value of Intangibles in Business.  John Wiley & Sons,
  38. Höpping, A. M., Fonville, J. M., Russell, C. A., James, S., Smith, D. J. (2016). Influenza B vaccine lineage selection – An optimized trivalent vaccine, Vaccine, Vol. 34, Is. 13, 1617–1622. https://doi.org/10.1016/j.vaccine.2016.01.042.
  39. Della Cioppa G, Vesikari T, Sokal E, Lindert K, Nicolay U. (2011). Trivalent and quadrivalent MF59®- adjuvanted influenza vaccine in young children: A dose- and schedule-finding study,Vaccine, Vol. 29, Is. 47, 8696– 8704.    https://doi.org/10.1016/j.vaccine.2011.08.111.