Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
, Siddharth Patwardhan
1
, John M. Prager
1
Christopher A. Welty
1
1
IBM Research e IBM Watson Grupo
Thomas J. Watson Research Center
PO Box 218
Yorktown Heights, NY 10598
2
Este trabajo fue hecho mientras que al J. Watson Research Center de IBM
Thomas
Abstracto
Presentamos WatsonPaths
TM
, Un novedoso sistema que
puede responder preguntas basadas en escenarios, por ejempreguntas mdicos amplios, que presentan un paciente
Resumen y pregunte por el tico ms probable
sis o el tratamiento ms adecuado. WatsonPaths
se basa en el IBM Watson
TM
pregunta respuestasistema ing que toma preguntas en lenguaje natural
como entrada y produce respuestas precisas a lo largo
con confidencias precisos como salida. WatsonCaminos rompe el escenario de entrada en inpiezas indivi- de informacin, pregunta o subfondos
preguntas de Watson a la conclusin de nueva informacin
cin, y representa estos resultados en un grficamente
modelo de cal. Inferencia Probabilstico se realiza
sobre el grfico para concluir la respuesta. En un conjunto
de preguntas de preparacin de exmenes mdicos, WatsonRutas muestra una mejora significativa en la exacta
democracia sobre la base del sistema de control de calidad Watson. Nosotros
tambin
describen cmo WatsonPaths se pueden utilizar en una colaboracin
aplicacin cola- para ayudar a los usuarios de razonar sobre
escenarios complejos.
1. Introduccin
IBM Watson
TM
es un sistema de contestador pregunta que toma
normoctica cel s
El paciente tiene anemia
Evidencia: "Low
conc hemoglobina.
indica anemia ".
Evidencia: "La eritropoyetina es
producida en los riones ".
"Una mujer de 32 aos con diabetes tipo 1 mel itus ha tenido insuficiencia
renal progresiva ...
Su concentracin de hemoglobina es de 9 g / dl ... Un frotis de sangre muestra
normocrmica,
s cel normoctica. Cul es el problema?
La causa ms probable de la baja conc hemoglobina.
es la deficiencia de eritropoyetina
El paciente tiene anemia normoctica
Evidencia: "anemia normoctica es
un tipo de anemia con normalidad
rojo sangre cel s ".
Evidencia:
"La eritropoyetina
deficiencia es una causa de
anemia normoctica ".
El paciente est en riesgo de
Deficiencia de eritropoyetina
Figura 1: Simple Diagnstico Grfico para un paciente con eritropoietin Deficiencia
escenarios, como en los ejemplos anteriores, a juego pasaje
por s mismo es a menudo insuficiente para localizar la respuesta. De Esta
es porque basado en escenarios pregunta contestador requiere
integracin y el razonamiento sobre la informacin de mltiples
ples fuentes. Adems, a menudo debemos aplicar en general
conocimientos a un caso concreto, como en un escenario mdico
sobre un paciente.
En este trabajo, presentamos un nuevo enfoque que se basa en
Fortalezas y de Watson est en lnea con el razonamiento humano
proceso ing observamos. Rompemos la entrada escenario en piezas individuales de informacin, pregunte relevante
preguntas secundarias concluyen nueva informacin, y se combinan
estos resultados en un grfico de la afirmacin. A continuacin, realizar
inferencia probabilstica sobre el grfico para concluir la anSwer a la pregunta general. Este proceso se repite para
ampliar el grfico hasta que se cumpla una condicin de parada. Becausa utilizamos Watson para responder a las preguntas secundarias, y por
debajo
causa que intentamos construir caminos de la inferencia a una final
Al examen fsico, el paciente tiene una unexpressive cara y dificultad para caminar, y una conel movimiento continuo de la punta de la primera dgitos
sobre la punta del segundo dgito de la mano izquierda
se ve en reposo. Qu parte de su sistema nervioso
es ms probable afectados?
Para esta cuestin, es til para diagnosticar que el paciente
tiene la enfermedad de Parkinson antes de determinar qu parte de
su sistema nervioso est muy probablemente afectada. Estas mltiples
inferencias paso son un paso natural para los grficos que WatsonPaths construye. En este ejemplo, el diagnstico es la
eslabn perdido en el camino a la respuesta final.
3 basada en escenarios de Respuestas
En basado en escenarios pregunta de respuesta, el sistema recibe una descripcin escenario que termina con una frase de remate
cuestin. Por ejemplo, la pregunta en el remate
Ejemplo de Parkinson es "Qu parte de su sistema nervioso
es ms probable afectados? "En lugar de tratar a la totalidad
escenario como una cuestin monoltica como sera Watson,
WatsonPaths explora mltiples hechos en el escenario en el
razones paralelas y con los resultados de su exploracin como
en su conjunto para llegar a la conclusin ms probable con respecto
la cuestin remate. La arquitectura de WatsonPaths
se muestra en la Figura 2.
Pgina 4
Guin
Anlisis
Afirmacin
Grfico
Escenario de entrada
Nodo
Priorizacin
Relacin (Edge)
Generacin
(Puede hacer preguntas
a Watson)
Repita hasta
"Finalizacin"
(Que puede ser
Estimacin
Confidencias
En Nodos
("Motor Belief")
(Que puede ser
se define en
diferentes caminos)
Hiptesis
Identificacin
Hiptesis
Confianza
Refinamiento
(Modelo aprendido)
Final
Confidencias en
Hiptesis
Figura 2: Bsqueda de Respuestas Arquitectura basada en escenarios
Anlisis 3.1 Escenario
El primer paso en la tubera es el anlisis de escenarios, donde
identificamos los factores en el escenario de entrada que puede ser
de importancia.
En el mbito mdico, los factores
puede incluir datos demogrficos ("32 aos mujer"), precondiciones existentes ("diabetes mellitus tipo 1"), signos
y los sntomas ("insuficiencia renal progresiva"), y la prueba
resultados ("concentracin de hemoglobina es de 9 g / dl," "norclulas mochromic "," clulas normoctica "). El extrada
factores se convierten en nodos en una estructura grfica denominada ASgrfico de insercin. La estructura grfica afirmacin se define
en la seccin 4, mientras ms detalles del anlisis de hiptesis
proceso se da en la Seccin 5.
3.2 Nodo de Priorizacin
El siguiente paso es la priorizacin nodo, en la que decidamos
cules nodos en el grfico son los ms importantes para solvcin del problema. En un pequeo escenario como este ejemplo,
podemos ser capaces de explorar todo, pero en general esto
no ser el caso. Factores que afectan a la prioridad de una
nodo puede incluir la confianza del sistema en el nodo AS
insercin o la estimacin del sistema de lo fructfero que lo hara
ser ampliar un nodo. Por ejemplo, los resultados de las pruebas normales
y la informacin demogrfica en general son menos tiles
para iniciar un diagnstico de sntomas y anormal de la prueba
resultados.
3.3 Relacin Generacin
La etapa de generacin de relacin, que se describe en ms
detalle en la Seccin 6, construye la grfica afirmacin. Hacemos
esto principalmente preguntando Watson preguntas sobre el factor
res. En la medicina queremos saber las causas del hallazgo
Ings y resultados anormales de las pruebas que sean consistentes con la
informacin demogrfica del paciente y vuelva a prueba normal
las hiptesis.
Mientras identificacin hiptesis es parte de WatsonPaths,
no se describe en detalle en este documento. En el sistema
que genera los resultados que presentamos en la seccin 10, no hiidentificacin hipte- es necesario porque el mltiplo
Se proporcionan respuestas de opcin. Ese sistema siempre hace
una iteracin de la expansin, tanto hacia delante desde la idenfactores ficadas y hacia atrs de las hiptesis, antes
parada.
3.6 Hiptesis Confianza Refinamiento
Como se ha descrito hasta ahora, la confianza de WatsonPath en cada hihipte- depende de los puntos fuertes de los bordes de ataque
a la misma, y desde nuestra relacin primaria (borde) del generador es
Watson, la confianza hiptesis depende en gran medida de
la confianza de respuestas de Watson. Tener buen anconfianza ponder depende de tener un conjunto representativo
de pregunta / respuesta pares con los que entrenan Watson. Los Las
siguiente pregunta que surge es: Qu podemos hacer si no lo hacemos
tener un conjunto representativo de pares de preguntas / respuestas, pero
s tenemos ejemplos de entrenamiento para los escenarios enteros (por
ejemplo,
diagnsticos correctos asociados con escenarios de pacientes)? A La
aprovechar la disposicin verdad terreno desnivelado escenario,
han construido tcnicas de aprendizaje automtico para aprender un
refinamiento
cin de la confianza de la estimacin de Watson que produce
mejores resultados cuando se aplican a todo el escenario. De Esta
el proceso de aprendizaje se discute en la Seccin 8.
3.7 Colaborar con el usuario
WatsonPaths puede funcionar de una manera totalmente automatizada, como
el sistema pregunta contestador Watson hizo cuando se juega
Jeopardy! (Este es el caso de los resultados presentados en
Seccin 10.) Pero tambin hay muchas posi- interesante
bilidades para la interaccin del usuario en cada paso en el proceso.
De esta manera, WatsonPaths ejemplifica computacin cognitiva
ing. Nuestra visin de la computacin cognitiva es que el usuario
y el equipo de trabajo en conjunto para explorar un escenario y
llegar a conclusiones ms rpido y con mayor precisin que sea
podra hacer solo. Se discute la AS-aprendizaje colaborativo
aspectos de WatsonPaths en la Seccin 9.
4 de asercin Grficos
La estructura de datos del ncleo utilizado por WatsonPaths es la asercin
y luego vincular los diagnsticos de alta confianza con la hihipte-. Este ltimo paso se realiza normalmente mediante la identificacin de
una importante relacin expresada en la pregunta remate
(Por ejemplo, "Cul es el tratamiento ms adecuado para este papa- "o" Qu parte del cuerpo est muy probablemente afectados? "). De Esta
enfoque es una extensin lgica de los trabajos sectoriales abierto
de Prager et al. (2004), donde con el fin de construir un perfil
de una entidad, se hicieron las preguntas de las propiedades de la entidad y restricciones entre las respuestas se hicieron cumplir
para establecer la consistencia interna.
El proceso de expansin grfica de WatsonPaths comienza
con preguntas que formulan automticamente relacionados con alta
afirmaciones de confianza, que en nuestros grficos representan
declaraciones WatsonPaths cree que es verdad hasta cierto
grado de confianza sobre el paciente. Estas declaraciones
pueden ser factores, como extrado y escrito por el algoritmo
se describe en la Seccin 5, o una combinacin de estos factores.
Para determinar qu tipo de preguntas hacer, WatsonLas rutas pueden utilizar un modelo de dominio que nos dice qu relaciones
caminos formulario entre el tipo semntico de una alta fianza
nodo anza y el tipo semntico de una hiptesis como un
diagnstico o tratamiento. Para el dominio mdica, creacin
ATED un modelo que llamamos a la Esmeralda, que se muestra
En la Figura 4 (Ntese el parecido con una esmeralda.) El
Esmeralda es un pequeo modelo de tipos y relaciones de entidad
que son cruciales para el diagnstico y la formulacin siguiente
pasos.
Seleccionamos del Emerald todas las relaciones que vinculan el
tipo semntico de un nodo de origen de alta confianza para un
tipo semntico de inters. Las relaciones y el alto
los nodos de confianza entonces forman la base de instanciar la
apuntar nodos, ampliando el grfico afirmacin. A La
instancias de los nodos de destino, emitimos WatsonPaths subpreguntas a Watson. Todas las respuestas devueltas por Watson
que la puntuacin por encima de un umbral predeterminado se publican
como nodos de destino en el grfico de la inferencia. Un borde relacin
Pgina 8
Figura 4: La Esmeralda
temblor de reposo que
comenz hace 2 aos
Al examen fsico, la
paciente tiene una
rostro inexpresivo y
dificultad para caminar,
y se ...
Al principio era slo la izquierda
mano, pero ahora
compromete todo el brazo
Un paciente de 63 aos de edad es
enviado al neurlogo
con un cuadro clnico de
temblor de reposo que
comenz hace 2 aos
inexpresivo
la cara
compromisos
todo el brazo
dificultad de
para caminar
Sustancia
Nigra
Cerebel um
Caudado
Ncleo
Puente de Varolio
Lenticular
Ncleos
Parkinson
enfermedad
Huntington
enfermedad
Progresivo
supranuclear
parlisis
Cerebel ar
enfermedades
Parkinson
enfermedad
Difusa
con cuerpos de Lewy
enfermedad
Figura 5: WatsonPaths proceso de expansin Grfico
est publicado desde el nodo fuente a cada nuevo nodo de destino
donde la confianza de la relacin es confidencial de Watson
confianza en la respuesta en el nodo de destino.
Adems de pedir a las preguntas de los factores de escenarios,
WatsonPaths tambin puede expandirse hacia atrs desde hipteses. La premisa de este enfoque es explorar cmo un
hiptesis encaja con el resto de la grfica inferencia. Por Si
rR
r
En el grfico, as interpretado, forma una ruidosa lgicoRed bayesiana (Yuille y Lu, 2007). La fuerza
de cada borde puede ser interpretado como una fuente de indicativo, un
concepto relacionado con poder causal (Cheng, 1997), con el
diferencia que somos semnticamente agnstico en cuanto al verdadero
direccin de la relacin causal. Formalmente, la probabilidad
de un nodo de estar "en" (verdadero) est dada por
P (x | R
x
,Q
x
)=
[
rR
x
(S
r
p
r
)
]
1
qQ
x
(S
q
p
q
)
probabilidad 0,88 0,9 = 0,792. De esta manera, probadades a menudo puede multiplicar por cadenas simples. Inferencia
debe ser ms sofisticado para manejar los grficos que vemos
en la prctica, pero la intuicin es el mismo.
Un ejemplo que aade sofisticacin a la inferencia es
un "exactamente una" restriccin que se puede aadir opcionalmente
a preguntas de opcin mltiple. Esta restriccin asigna una
mayor probabilidad a las asignaciones en la que exactamente uno
respuesta de opcin mltiple es cierto. Debido a estos tipos
de las limitaciones, y por el hecho de que los grficos
contener dirigido y ciclos no dirigidos, no podemos sim-
en los valores de funciones. A continuacin, podemos optimizar el paretros en un entrenamiento conjunto de escenarios y diagnsticos correctos
(Ver seccin 8).
Para illustate la idea se describen en detalle uno de tales
modelo, el Noisy-o modelo, que se basa en el mismo
la intuicin es la semntica indicativos que acabamos de describir.
Primero convertimos el grfico afirmacin dirigida a un
grafo acclico (DAG). El grfico afirmacin no es, en geneeral, libre de ciclos. Adems, el grfico de la afirmacin conrelaciones coincidentes contiene, que son sin direccin. Para formar una
DAG, los nodos en el grfico afirmacin se agrupan primero
por estas relaciones a juego, y luego los ciclos se rompen
mediante la aplicacin de la heurstica para reorientar bordes a punto desde
factores a hiptesis.
La confianza en factores extrado por Escenario ananalysis es 1.0. Para todos los dems nodos se define la confianza
recursiva en trminos de las confidencias de los padres y
la confianza de los bordes producidos por el sistema de control de calidad.
Deje que el conjunto de los padres en el DAG para un nodo n ser dado
de un (n). El vector de caractersticas del sistema de control de calidad da para
un nodo, m, que indica otra, n, est dada por (m, n).
A continuacin, se da a continuacin la confianza para un nodo no factor.
El vector de pesos aprendido para las funciones de control de calidad es q.
P (n) =
un
yo
a (n)
(q (una
yo
, N)) P (una
yo
)
donde (x) denota la funcin sigmoide.
(x) =
1
1+e
-x
El ruidoso-O combinacin es ms sensible cuando el
fuentes de evidencia son independientes. Cuando hay
dos bordes de ataque desde el nodo misma inferencia (que
puede ser el resultado de la fusin de dos o ms grfico afirmacin
nodos) al nodo que se trate, estos bordes son
combinada por un mximo en vez de ruidoso-O.
Adems de la Noisy-O modelo, tenemos tambin de-
un
:
R
n
R
. Los mtodos en la Seccin 7.2 proporcionan
rpido, la inferencia exacta. Estos enfoques permiten ExpressPgina 12
tT
log (
t
(W))
Para conocer los parmetros de los modelos de inferencia
aplicamos un mtodo de optimizacin "recuadro negro": greedyestocstico de bsqueda local. Este es un mtodo de bsqueda directa
(Kolda et al., 2003) que considera un punto actual en
p
R
n
y una correlacin de funciones barrio apunta a
subconjuntos de
R
n
, N:
R
n
P (R
n
). Adems, la opcin
procedimiento timizacin mantiene p
*
, El punto ms conocido.
Desde el punto actual un nuevo punto p es SE- azar
seleccionada a partir de N (p). Si el cambio mejora el objetivo
funcin, entonces se mantiene; si el cambio empeora la objetividad
funcin tiva, a continuacin, se acepta con cierta probabilidad
. De esta manera, el aprendizaje explora el espacio de parmetros,
tendiendo a buscar en las regiones de alto valor mientras que nunca
cinco pliegues, cada uno dejando de 20% de los datos de entrenamiento, como
se
aunque para la validacin cruzada. Cada modelo de inferencia a partir de
Seccin 7.2 est capacitado en cada pliegue. Cuando el conjunto
rene la confianza de un modelo de inferencia como una caracterstica para
una instancia, el modelo de inferencia utiliza el parmetro aprendido
tros desde el pliegue que excluye a esa instancia. De este modo,
el rendimiento de cada modelo de inferencia es-test similares, y el
modelo conjunto no demasiado confiar modelos overfit.
El conjunto es una regresin logstica binaria por anhiptesis ponder mediante tres caractersticas de cada inferencia
modelo. Las caractersticas utilizadas son: la probabilidad de que la hihipte-, el logit de la probabilidad, y el rango de la
responder entre las respuestas de opcin mltiple. Usando el
logit de la probabilidad asegura que la seleccin de un solo
modelo de inferencia es en el espacio hiptesis del conjunto,
logrado, simplemente definiendo el peso para que el modelo de
funcin logit a uno y todos los otros pesos a cero.
Cada modelo de inferencia de forma cerrada tambin est capacitado
el conjunto de entrenamiento completo. Estas versiones se aplican en la
prueba
tiempo para generar las caractersticas para el conjunto.
9 Colaboracin aplicacin Entrenamiento
La aplicacin de una herramienta de preguntas y respuestas como Watson para
complex, problemas escenario impulsado era un reto que nos
no resolvi hasta que se observ cmo los seres humanos hacen esto.
Como se explica en la introduccin, una inspiracin para nuestra
enfoque de vino de ver estudiantes de medicina explican
sus razonamientos sobre cuestiones de preparacin de exmenes mdicos.
Su proceso fue uno de identificar detalles significativos,
inferencias y evaluar hiptesis. De esta manera
de atacar un problema es reconocible en el WatsonTrayectorias de flujo de ejecucin. As que cuando lleg el momento de crear
una
aplicacin interactiva, era obvio que la conclusin
debera facilitar un cierto modo de razonar acerca de comescenarios complejos. A esto le llamamos el Aprendizaje Colaborativo
La Solicitud.
9.1 Una aplicacin Entrenamiento
La Aplicacin de Aprendizaje Colaborativo crea un trabajo
flujo en el que el usuario y Watson trabajan juntos para analisar un problema. Creemos que resultar este enfoque
en mejores soluciones que si el usuario o Watson eran de trabajo
ing solo. Tambin se piensa que esto crear oportunidades
De hecho estamos explorando ambos enfoques como cada uno tiene decaractersticas deseables (comprensibilidad principalmente en el
caso del proceso cerrada y la facilitacin decisin en el
caso automtico).
La siguiente operacin es dar prioridad a las declaraciones en el AS
grfico de insercin para su posterior consulta. Es decir, que estados
mentos sobre el escenario tienen la mayor promesa de producing inferencias pertinentes? Una vez ms, hay una WatsonCaminos procesan para hacer esto, y el usuario puede optar por acexcepto el resultado de este proceso, alterar, o de derivacin que Altojuntos. Al igual que en el caso anterior, las anotaciones y
los datos marcados se pueden derivar de estas interacciones.
A continuacin en el proceso WatsonPaths es aplicar una semntica
plantilla a los estados prioritarios para generar inferencia
cias. Esta plantilla semntica puede incluir informacin
como "enfermedades causan hallazgos" de la que podemos derive una consulta para inferir una enfermedad de un hallazgo o un hallazgo
de una enfermedad. Cuando se utiliza la pregunta de Watson respuestafuncin ing para hacer esto, la forma de esta consulta es una tural
cuestin lingstica ural. Por ejemplo, imagine que el
declaracin temblor de reposo (se lee como "el paciente ha descansando
temblor ") ha sido priorizada. La aplicacin de la se- descrito
plantilla mntico entonces producira la pregunta "Qu
enfermedad causa temblor de reposo? "Las respuestas a esta pregunta
Pgina 14
plantilla mntica y si debe hacerse con reSPECT a una ontologa anterior son cuestiones abiertas a experimentar
mentacin. Un aspecto adicional es que la personalizacin de la
sistema podra aprender plantillas semnticas especficas del usuario, alLowing cada usuario utilizar su propia metodologa para
la resolucin de problemas.
La ejecucin de las consultas que se producen en la operacin anterior
los resultados cin en nueva afirmaron declaraciones. Como se ha
mencionado BEtanto, la funcin de bsqueda de respuestas de Watson se puede utilizar
para responder a estas preguntas intermedias. Aqu tambin, in- usuario
puesto puede ayudar a mejorar los resultados de Watson. El usuario puede acresultados del concepto Watson, alteran a travs de juicio, o
producir sus propios. Por ejemplo, el usuario puede sugerir alnombres ternativas y fraseos de entidades y relaciones
en la cuestin para su uso en la expansin de consultas. Y como BEtanto, estas interacciones producen datos que se pueden utilizar
para mejorar el sistema. En este caso, estos resultados encajan
muy bien en AdaptWatson (Ferrucci y Brown, 2012), un
metodologa para mejorar pregunta contestando miento
pares de pregunta-respuesta Mance basado en el ejemplo, ciencia de datos
cia y aprendizaje automtico.
Una ventaja de utilizar la pregunta de respuesta de Watson
capacidad para la inferencia es que los resultados son compatibles con evipasajes denciales. Estos pasajes son tpicamente de unos pocos sentencias extrados de un documento que Watson utiliza durante
ing generacin caracterstica de una respuesta a una pregunta candidato
cin y tan a menudo conllevan las altas respuestas de confianza. Al Igual
tal, la exposicin de esta evidencia para el usuario puede ser muy benebe- como una herramienta explicativa y as es algo que emphasize en la Solicitud de Aprendizaje Colaborativo. AlLowing el usuario para juzgar esta evidencia puede proporcionar datos
que se puede utilizar para mejorar los componentes de bsqueda de la
cuestin proceso respondiendo, as como entrenar a un justificando
pasaje ing modelo de un modelo que clasifica los pasajes como
justificando la respuesta a una pregunta o no.
Evaluacin de la grfica afirmacin ampliado con respecto
para la determinacin de la creencia en los estados es el papel de la
motor de la creencia. Aqu, los juicios por el usuario acerca de la seal
significa- o irrelevancia de las declaraciones al caso general
puede ayudar en la forma en que se realiza la evaluacin.
Un paso final en el proceso global es WatsonPaths
identificacin de hiptesis. Para la preparacin de examen mdico
preguntas, hiptesis se proporcionan, pero para el Collaboration
orative aplicacin Entrenamiento en que no lo son. Para una parti-
Pgina 15
Completo
Diagnstico
Precisin
Base
42,0%
53,8%
WatsonPaths
48,0%
64,1%
Confianza
Base
59,8%
75,3%
Puntaje Ponderado
WatsonPaths
67,5%
81,8%
Tabla 1: Resultados WatsonPaths Rendimiento
10.3 Resultados y Discusin
La Tabla 1 muestra los resultados de nuestra evaluacin en un conjunto de 500
preguntas ciegos de los cuales un subconjunto de 156 preguntas fueron
identificado como preguntas de diagnstico de anotadores.
Presentamos los resultados utilizando dos mtricas. Precisin simply mide el porcentaje de preguntas para las cuales una
sistema clasifica la respuesta correcta en la posicin superior. Conconfianza puntaje ponderado es una medida que toma en accin
contar tanto la precisin del sistema y su confianza
en la produccin de la respuesta superior (Voorhees, 2003). Tenemos suerte
todos <pregunta, respuesta superior> pares en una evaluacin establecido en
orden de la confianza del sistema decreciente en la parte superior
responder y calcular la puntuacin ponderada de confianza como
CWS =
1
n
n
i=1
nmero correcto en primera filas i
yo
donde n es el nmero de preguntas de la evaluacin
el conjunto. Esta mtrica sistemas de recompensas para ms activos precisin
la firma de altos confidencias a las respuestas correctas, una importancia
consideracin tante para el mundo real pregunta de respuesta y
sistemas de diagnstico mdico.
Nuestros resultados muestran mejoras estadsticamente significativas
a p <0,05 (resultados en negrita en la Tabla 1) para el pleno ciego
conjunto de 500 preguntas para ambos indicadores. Para el diagnstico
subconjunto, la mejora de la precisin es estadsticamente significativa
icant pero la mejora confianza puntuacin ponderada es
no, incluso con un aumento de la puntuacin 6 +%. Esto es probablemente
debido
al pequeo subconjunto diagnstico, que contiene slo 156
preguntas.
11 Trabajos relacionados
Sistemas de apoyo de decisiones clnicas (SADC) han tenido un
larga historia de partida el desarrollo de los primeros das
de la inteligencia artificial. Estos sistemas utilizan una variedad de
representaciones del conocimiento, procesos de razonamiento, sistema
arquitecturas, alcance del mbito mdico, y los tipos de decisin (Musen et al., 2014). Aunque varios estudios
han informado sobre el xito de las implementaciones del CDSS
en la mejora de los resultados clnicos (Kawamoto et al., 2005;
Roshanov et al., 2013), la adopcin generalizada y rutinaria
uso an falta (Osheroff et al., 2007).
El sistema pionero dolor abdominal Leeds (De
Dombal et al., 1972) que se utiliza en el conocimiento estructurado
forma de probabilidades condicionales para las enfermedades y su
sntomas. Su xito en el uso de razonamiento bayesiano fue
comparable a los mdicos con experiencia en el hos- Leeds
pital donde se desarroll. Pero no se adapt xito
cessfully a otros hospitales o regiones, lo que indica la brittleness de algunos sistemas cuando estn separados de
sus desarrolladores originales. Una revisin reciente del sistmica
162 implementaciones CDSS muestra que el xito en damicina
ensayos iCal es significativamente asociados con sistemas que
fueron evaluados por sus propios promotores (Roshanov et al.,
2013). MYCIN (Shortliffe, 1976) fue otro ma temprana
sistema que utiliza representacin estructurada en forma de
reglas de produccin. Su mbito de aplicacin se limita al tratamiento
enfermedades de infecciosas y, como ocurre con otros sistemas con
bases de conocimientos estructurados, los humanos expertos requeridos a
desarrollar y mantener estas reglas de produccin. Este hombreual proceso puede llegar a ser inviable en muchos mediespecialidades cal donde la investigacin activa produce nueva dipautas y fases a cabo mayores diag- y tratamiento
queridos. Muchas implementaciones CDSS mitigar esta limitacin
tacin, centrndose su lgica desarrollo decisin Manual
esfuerzo cin de guas clnicas para enfermedades especficas
o tratamientos, por ejemplo, la gestin de la hipertensin (Goldstein
et al., 2001). Pero tales sistemas carecen de la capacidad de manicomorbilidades del paciente dle y planes de tratamiento concurrentes
(Sittig et al., 2008). Otro sistema que utiliza notable
conocimiento estructurado era Internista-1. El conocimiento
bsicos contenidos de enfermedad-para encontrar asignaciones representados
probabilidades condicionales (de enfermedad dada la constatacin y
de encontrar determinada enfermedad) asignado a una escala 1-5. A Pesar Que
xito inicial como una herramienta de diagnstico, su diseo como una exconsultor pert no fue considerado para satisfacer la informacin
Randolph A. Miller, Melissa A. McNeil, Sue M. Challini, Fred E. Masarie Jr, y Jack D. Myers. 1986. La
Internista-1 proyecto / Quick Medical Reference - estado
informe. Western Journal of Medicine, 145 (6): 816.
J. William Murdock, James Fan, Adam Lally, Hideki
Shima, y Branimir K. Boguraev. 2012a. Textual
la reunin de pruebas y anlisis. IBM Diario de Rebuscar y Desarrollo, 56 (3/4): 8: 1-8: 14.
J. William Murdock, Aditya Kalyanpur, Chris Welty,
James Fan, David Ferrucci, David C. Gondek, Lei
Zhang, y Hiroshi Kanayama. 2012b. Can- Typing
can- respuestas usando tipo coercin. IBM Diario de
Investigacin y Desarrollo, 56 (3/4): 7: 1-7: 13.
Mark A. Musen, Blackford Middleton, y Robert A.
Greene. 2014. Los sistemas de soporte de decisiones clnicas. En