Технология моделирования медицинских знаний

Технологии UMKB разработаны резидентом кластера информационных технологий Фонда «Сколково» компанией «Соцмедика». В рамках проекта компания отвечает за постоянное их усовершенствование.

Модель представления медицинских знаний

 

Краеугольным камнем в основе UMKB является модель представления медицинских знаний, которая способна описывать любую область медицины.

 

В отличие от традиционных моделей знаний, где используются семантические сети, основанные на теории графов, данная модель основана на концепции, где используются боковые соединения. То есть, допускается возможность соединения вершин с ребрами и ребер между собой.

 

«Пусть v₁ и v₂ это вершины графа, а e₁ это ребро, которое соединяет эти вершины и одновременно формирует новую сущность или отношение e₁={v₁, v₂}. Тогда ребро e₁ может соединяться с другой вершиной v₃ формируя новое ребро e₂={e₁, v₃}, которое в свою очередь так же является сущностью или отношением.»

 

Это всего лишь один из элементов многогранной модели UMKB, который дает огромные преимущества при моделировании медицинских знаний.

 

Используя в новой модели принципы нечеткой логики, стало возможным представлять сложные слабо формализованные медицинские знания.

 

С помощью данной модели максимально точно можно моделировать факторы риска, этиологию, патогенез заболевания (вероятность, время проявления и последовательность патологических признаков на каждом этапе развития болезни), методы лечения и профилактики.

При формировании патологических и компенсаторных механизмов концепция предоставляет возможность уточнять множество условий, которые влияют на данный механизм. Например, признаки, характеризующие персональные особенности организма (пол, возраст, иммунный статус, хронические заболевания и др.).

 

Множество внешних и внутренних патогенных факторов, каждый из которых в той или иной степени оказывает влияние на развитие болезни.

 

Также легко можно моделировать структурно-функциональные особенности организма и их взаимоотношения. Например, компенсаторные механизмы, рефлексы, сложные анатомические структуры, все особенности вариантной анатомии и другие признаки, на основании которых формируются реактивность и резистентность организма.

 

Все это очень важно для работы экспертных системы в режиме персонифицированной медицины.

Медицинские онтологии

 

Для представления (хранения) знаний в предметной области в виде связей и максимально точного описания явлений разработаны специальные онтологии.

В системе UMKB различаются две группы онтологий:

1) Онтологии формирования медицинских признаков из элементарных терминов (правила формирования структурных, функциональных, параметрических, патологических и других медико-биологических признаков).

2) Онтологии описания патологических процессов и других медицинских явлений (правила моделирования факторов риска, распространённости, этиологии, патогенеза, клинической картины, диагностики, дифференциальной диагностики, лечения, профилактики, исхода патологических процессов, межлекарственных взаимодействий, ограничений к применению и т.п.). Большинство онтологий допускают моделирование динамики процесса и персонификации отношений.

Наличие в системе модуля «конструктор онтологий» предоставляет возможность создания необходимых онтологий для формализации знаний в любой области медицины и биологии.

Гибридная технология моделирования знаний

 

Для эффективного наполнения UMKB, разработана новая технология моделирования медицинских знаний. Это гибридная технология, которая использует принципы краудсорсинга для сбора медицинских знаний и машинный анализ медицинских текстов с извлечением фактов.

Краудсорсинговая система моделирования базы медицинских знаний

 

Система моделирования базы медицинских знаний (свидетельство о государственной регистрации программы для ЭВМ №2014618583) - автоматизированная система, которая использует принципы краудсорсинга для сбора медицинских знаний. Система распределяет задачи среди экспертов – врачей, провизоров и биологов, а из поступающих фрагментов информации формирует семантическую сеть. Информация в систему вводится не только в текстовом виде на разных языках, но и в виде логических связей с той или иной вероятностью. Возможность построения нейронных сетей в концепции нечеткой логики позволяет системе объединять мнения неограниченного количества врачей, создавая коллективный разум.

Краудсорсинговая система моделирования базы медицинских знаний (свидетельство о государственной регистрации программы для ЭВМ №2014618583) - автоматизированная система, которая использует принципы краудсорсинга для сбора медицинских знаний. Система распределяет задачи среди экспертов – врачей, провизоров и биологов, а из поступающих фрагментов информации формирует семантическую сеть. Информация в систему вводится не только в текстовом виде на разных языках, но и в виде логических связей с той или иной вероятностью. Возможность построения нейронных сетей в концепции нечеткой логики позволяет системе объединять мнения неограниченного количества врачей, создавая коллективный разум.
Технология машинного анализа медицинских текстов

 

Кроме ручного способа наполнения UMKB, также используется технология машинного анализа медицинских текстов с извлечением фактов. Процесс машинного анализа медицинских текстов в целом состоит из 2-х этапов: 1) Морфологический анализ текстов, осуществляемый с помощью системы Morphological and Lexical Analyzer, который предоставила компания ABBYY; 2) Извлечение смысла из текста с использованием медицинских онтологий и классификаторов медицинских концептов (терминов), разработанные компанией Соцмедика.

Технология машинного анализа медицинских текстов. Процесс машинного анализа медицинских текстов в целом состоит из 2-х этапов: 1) Морфологический анализ текстов, осуществляемый с помощью системы Morphological and Lexical Analyzer; 2) Извлечение смысла из текста с использованием медицинских онтологий и классификаторов медицинских концептов (терминов).
Краудсорсинговая система моделирования базы медицинских знаний