王飞跃的个人博客分享 http://blog.sciencenet.cn/u/王飞跃

博文

平行高特:基于ACP的平行痛风诊疗系统框架

已有 3263 次阅读 2018-3-19 07:16 |个人分类:学海泛舟|系统分类:论文交流

平行高特:基于ACP的平行痛风诊疗
系统框架
 


王飞跃  李长贵  国元元  王静  王晓  

邱天雨 孟祥冰 施小博 

 

摘 要】 为了解决复杂环境中痛风诊疗的精准决策难题,突破不同医生业务水平对于痛风诊疗的局限,提高痛风诊断的准确率和治疗的有效性,文中提出了一种基于ACP理论的平行痛风诊疗系统框架,称为“平行高特(Gout)”。平行高特通过构建人工痛风诊疗系统来模拟和表示实际痛风诊疗系统,运用计算实验进行各种痛风诊疗模型的训练与评估,借助平行执行对实际痛风诊疗系统进行管理决策与实时优化,实现痛风诊疗过程的自动化与智能化。该平行的诊疗过程可以帮助医生减少误诊误治,提高效率,提升水平;同时,也能够帮助患者做好慢病管理,远离疾病。考虑到痛风病在当前社会的严重程度,平行高特在痛风诊疗中的应用具有重要的实际意义,是传统医疗模式走向智慧化、平行化的有效途径和自然选择,有利于推进健康中国建设,实现更高水平的全民健康。 

关键词平行高特,平行痛风诊疗,平行医学,人工智能,平行智能,ACP理论,社会物理信息系统(CPSS


Parallel Gout: An ACP-Based System 

Framework for Gout Diagnosis 

and Treatment

 

WANG Fei-Yue, LI Changgui, GUO Yuanyuan, 

WANG Jing , WANG Xiao , QIU Tianyu, 

Meng Xiangbing , SHI Xiaobo


AbstractIn order to improve the accuracy and efficiency of diagnosis and treatment of Gout in complicated situation and break through the gap between doctor’s profession, an artificial societies, computational experiments, and parallel execution (ACP) based parallel gout diagnosis and treatment framework is presented, named Parallel Gout. Parallel Gout could construct an artificial gout diagnosis and treatment system to represent and simulate the real procedure of medical diagnosis and treatment system. It can train and evaluate the various models of diagnosis and treatment of gout by Computational Experiments, and to manage and control the real medical system by Parallel Execution, to achieve the automatic and intelligent diagnosis and treatment procedure for gout. Parallel Gout can help doctors to reduce the likelihood of misdiagnosis and therapeutic mistakes, and increase the efficiency of medical procedure as well improve the professionality of doctors. Parallel Gout can also help the patients to manage the chronic diseases and keep healthy. The application of Parallel Gout in the diagnosis and treatment of gout is of great practical significance. This is an effective approach to motivate the traditional medical model to become intelligent and parallel, and contribute to a higher level of national health. 

Key wordsParallel Gout, Parallel Gout Diagnosis and Treatment, Parallel Medicine, Artificial Intelligence, Parallel Intelligence, ACP Theory, Cyber-Physical-Social Systems (CPSS) 

1   引言

平行高特是复杂系统建模与调控的ACP (Artificial societies, Computational experiments, and Parallel execution) 理论在痛风临床诊疗领域的推广应用[1-6]。其核心是利用人工痛风诊疗系统来模拟和表示痛风诊疗的实际场景,通过计算实验进行各种痛风诊疗模型的训练与评估,最后借助虚实互动的平行执行来在线优化痛风诊疗方案,实现对复杂环境下痛风诊疗过程的预测与引导。这一虚实互动的平行痛风诊疗系统框架在人类医疗专家专业知识、推断机理、疾病诊断与治疗专业指南的基础上,结合了自然语言处理、知识图谱、机器学习、大数据挖掘与分析、知识自动化等技术。


随着我国经济的迅速发展,国民饮食结构发生了明显变化,海鲜、肉类等高嘌呤食品的摄入量急剧增加,与之相关的痛风病的患病率也快速上升,目前痛风病已经成为仅次于糖尿病的第二大代谢性疾病。痛风病是由于长期嘌呤代谢紊乱和尿酸排泄减少引起的一组异质性、代谢性疾病,其临床表现为高尿酸血症、反复发作的急性关节炎、慢性关节肿胀、痛风石,可累及肾,引起肾病,发生尿酸盐肾病、尿酸性尿路结石等,严重者可出现关节致残(如图1-2所示)、肾功能不全,常与中心性肥胖、高血脂症、糖尿病、高血压及心脑血管病伴发[7-8]。因此,痛风病的临床诊断和治疗越来越受到社会大众的关注。


1.jpg

 图1 反复发作的急性关节炎、关节畸形和痛风石

Fig.1 Recurrent acute arthritis, joint deformities and tophi


2.jpg

图2 X光下的慢性痛风性关节炎及骨折

Fig.2 Chronic gouty arthritis and fractures under X-ray


痛风病的临床诊断和治疗凝聚了国内外痛风病相关领域专家们的集体智慧,但随着痛风诊疗水平的逐步提升,仍存在如下一些问题,需要借助人工智能、大数据等先进技术来更好地推动痛风诊疗的规范化、精准化,以及痛风诊治经验的传承和发扬。


1)乱治,缺乏高素质的专业医疗人员。对痛风的认知严重不足,诊治不规范。痛风作为一种新生的常见病,医务工作者尤其是基层医生在该病的发病机制、诊断、鉴别诊断及治疗等方面尚存在许多盲区和误区,导致不规范用药、过度医疗等乱象从生[7-8]


2)复杂性。痛风诊疗多学科交叉,治疗复杂。痛风常与肾病、糖尿病、高血压等慢性疾病并发,与多种合并症的发生与发展相互关联、相互影响,加之痛风与关节炎等疾病的症状相似,极易导致误诊、误治,进而导致患者病情加重或者组织器官病变受到不可逆性损伤,不利于患者健康[8]


3)完全依靠医护人员跟踪和对患者的再教育,治疗难以持续。患者缺乏就诊意识,治愈困难。痛风是一种可治愈的疾病,但大量患者久治不愈,反复发作,其主要原因在于忽略了患者知识教育及后期管理,患者“轻预防重治疗”,只重视痛风发作,未坚持长期用药,导致治疗达标率低下,痛风治愈困难[8]


 近几年,国内外许多研究将人工智能技术应用在医学诊疗领域以辅助医生进行疾病的诊断与治疗,并取得了一定的成效。其应用方向主要包括两个:1)基于图像识别的医学影像诊断系统,利用图像分析技术,读取医学影像进行疾病诊断,如DeepMindEnlitic;2)基于认知计算的医疗决策系统,利用机器学习和自然语言处理技术,检测人眼无法洞察的关系和模式,在大量非结构化的文献、指南和患者病历中帮助医生寻找治疗方案,如Watson [9-10]。对于前者而言,仅能作为痛风病诊断的辅助手段,并不能作为常规诊断方法,且无法直接应用于痛风病的治疗;对于后者而言,在痛风病的诊断和治疗领域尚无此类应用案例,而且现有方法也无法完全解决上述痛风病诊疗中存在的实际问题。


考虑到痛风是一种多因素综合影响的慢性代谢性疾病[8],其诊疗系统是一个复杂社会系统,需要一套系统化的方法帮助医生和患者进行痛风病的诊断和治疗。因此,本文根据ACP理论,引入社会物理信息系统(Cyber-Physical-Social Systems, CPSS),通过研究痛风诊疗系统这一社会系统与物理系统、信息系统之间的交互作用,提出一种基于ACP理论的平行痛风诊疗系统框架——平行高特(Gout)。平行高特通过构建逼真的人工痛风诊疗系统,模拟实际痛风诊疗系统中的患者、医生、护士以及相互之间诊疗过程等;利用计算实验进行各种痛风诊疗模型的训练与评估,获得最优方案;借助平行执行、虚实互动,对实际痛风诊疗系统进行有效地控制和管理。从而,以平行为方法,深度开发虚拟空间,充分利用数据资源,为解决传统痛风诊疗中存在的复杂问题带来了新希望,为推动医疗决策系统的发展带来全新的理论方法与框架体系[1-6]

2   医疗决策系统现状

随着近几年人工智能(AI)及大数据技术的飞速发展,诸多领域借助相关技术取得了重大突破,尤其是深度学习已经在计算机视觉、语音识别、机器翻译等领域超越了传统算法,更新更有效的方法如生成对抗网络(Generative Adversirial Networks, GAN[12]、宽度学习和平行学习[13]等不断涌现,AI技术正在逐步走进医疗领域。其中,以医疗决策为主的AI是一大热点,通过大数据、机器学习和自然语言处理等智能技术,学习医疗知识、挖掘病历数据、分析医学影像等方式诊断疾病并计算最佳治疗方案,为医生提供帮助。


目前医疗决策系统在国内几乎是空白,在国外有一些具体应用,如IBM Watson[9-10] Enlitic、Google DeepMind等。2012年,Watson通过了美国职业医师资格考试,并在美国多家医院提供辅助诊治服务。Watson根据患者的症状、病史和化验数据,自动去搜索海量病历、医学图书和论文数据库,进行对比匹配得出治疗方案;它学习了200多种肿瘤专业领域的教科书、300多种医学期刊、1500多种肿瘤文献的关键信息和60多万条临床实验中的医疗证据,为乳腺癌、肺癌、结肠癌等多种癌症提供诊治服务。2014年,Enlitic将深度学习技术应用于识别和分析放射科医学图像,辅助医生检测肿瘤。2016年,谷歌DeepMind新成立的DeepMindHealth部门与英国国家健康体系(National Health Service,NHS)合作研发辅助NHS决策软件;与皇家自由医院、Moorfields眼科医院合作,开发帮助医生更快查看医疗结果、辨识视觉疾病的软件。


医疗决策系统的主要研究方向包括:1)通过医学影像分析辅助医生诊断。随着计算机视觉和图像领域的发展,人工智能技术在医学影像领域也取得了很大的突破,尤其是在胃癌、肺癌、乳腺癌、甲状腺癌、皮肤癌等癌症诊断方面。机器学习算法能够通过大量的历史患者病变组织影像数据的学习和训练,分析和预测患者的器官和组织是否发生病变,借助计算机处理能力的优势,提高医生的看诊效率。2)通过认知计算辅助医疗决策。利用机器学习和自然语言处理技术,检测人眼无法洞察的关系和模式,在大量非结构化的文献、指南和患者病历中获取疾病治疗的医学证据,为患者治疗方案的确定提供依据并推荐治疗方案。


虽然现有医疗决策系统取得了一定的成果,但是在实际应用中仍存在以下问题:1)计算机辅助诊断和治疗还不能完全代替医生诊断疾病和开处方,人工智能能完成医生看诊中的一部分工作,帮助医生提高看诊效率,但仍需要医生实际参与其中,有时反而会给医生的看诊带来不便。2)现有技术可能通过一些智能方法让机器帮助医生完成一些重复性的体力劳动,但对于医生而言,特别是专科医生,对于自身研究领域特别精通,对其他疾病领域却无能为力,有时需要通过不同领域的专家会诊来为患者诊治。因此,他们更需要人工智能、知识自动化等技术的辅助来弥补自身研究领域的局限性,然而现有系统还不能满足医生的需求,解决医生的痛点。3)对于慢性疾病的诊疗,更注重对于患者的长期跟踪治疗与疾病控制。因此,医疗决策系统不仅需要辅助医生做出诊断,还需要对患者的身体状况进行长期监测,对患者的生活方式进行正确引导,让医疗系统帮助患者执行康复方案,而目前的系统较少有针对患者的引导功能。

3  基于ACP理论的平行痛风诊疗系统框架

3.1  框架来源

2004 年,就如何利用计算方法来综合解决复杂社会经济系统和城市综合发展的科学问题,中科院自动化所王飞跃研究员在《平行系统方法与复杂系统的管理和控制》一文中第一次正式提出人工社会、计算实验与平行执行相结合的 ACP Artificial societies, Computational experiments, and Parallel execution)平行智能计算与控制方法,系统阐述了这一方法论的指导思想、基础原理、原则方法、应用方向与解决方案,以解决实际社会系统中不可准确预测、难以拆分还原、无法重复实验等复杂性问题[1-2]。近年来,ACP方法已经成功地应用于交通、化工、经济、社会安全等多领域,为面向以人为核心的复杂社会问题的研究提供了完整的解决方案[14-32]。2013年,王飞跃研究员发表文章提出平行医学体系和基于ACP方法的整合医学理论框架,将ACP理论正式推广应用于医学领域[1-3]


3.png

图3 CPSS与痛风诊疗系统

Fig.3 CPSS and gout diagnosis and treatment system

 

痛风作为多基因遗传性疾病,其发生是遗传因素和环境因素相互作用及共同作用的结果[8]。痛风诊疗系统是一个复杂社会系统,最主要的原因在于其治疗过程:一半是医学治疗(用药、手术),痛风常伴发其他慢性疾病并相互影响,对于痛风患者的治疗需要综合考虑各个疾病之间的相互影响,以及医生、患者、家庭、社会、心理、疾病、药品、信息系统、医疗知识、诊断方法等诸多因素,系统地分析并给出治疗方案;另一半是养护,通过对患者的教育,坚持正确的饮食和运动方式,方能维持不复发的健康状态。本文根据ACP理论,引入社会物理信息系统(CPSS, 通过研究痛风诊疗系统这一社会系统与物理系统、信息系统之间的交互作用,利用信息系统中无限的数据和信息资源,突破物理系统资源有限的约束和时空的限制,让机器和人在痛风诊疗场景下发挥最大的潜能,让人工智能更好的服务于人类智能。从而,结合平行医学体系,提出基于ACP理论的平行痛风诊疗系统框架。


3.2 框架原理


4.png

图4 平行痛风诊疗系统概念框架

Fig.4 the framework of gout diagnosis and treatment system

 

平行痛风诊疗系统是由痛风病临床诊疗的现实系统和对应的虚拟痛风病临床诊疗人工系统所组成的共同系统。平行痛风诊疗系统框架(如图4所示),以ACP理论和平行医学体系为指导[1-6],构造与实际痛风诊疗系统对应的软件定义模型——人工痛风诊疗系统,以 “人机结合、知行合一、虚实一体”的方式,通过人工痛风诊疗系统与实际痛风诊疗系统的协同演化与平行反馈,从而实现痛风诊疗系统的建模、预测与引导的新型研究框架,旨在为痛风病临床诊疗和未来智慧化的痛风诊疗模式提供一套融合解决方案[5]


首先,通过软件定义的痛风诊疗系统来实现“描述智能”,构建人工痛风诊疗系统。其次,结合人工痛风诊疗系统中的诊疗场景,通过计算与实验、管理与控制来实现其“预测智能”。最后,通过人工痛风诊疗系统与实际痛风诊疗系统的虚实互动、平行执行,实现对实际痛风诊疗系统的管理与控制,即实现其“引导智能”。平行痛风诊疗系统流程如图5所示。


5.png

图5 平行痛风诊疗系统流程图

Fig.5 the procedure of gout diagnosis and treatment


4  痛风诊疗的人工系统与描述智能


痛风诊疗的人工系统主要是构建软件定义的人工痛风诊疗系统,通过软件定义的网络技术、知识表示和知识工程,构造出人工痛风诊疗系统,模拟实际痛风诊疗系统中医生对患者疾病的诊断和治疗。在软件定义的人工痛风诊疗系统中,不但使实际痛风诊疗系统中的医学知识、医生经验、诊断猜测、治疗假定、医患期望等形式化,还使其组织、过程、功能等软件化,变为可操作、可计算、可试验的流程和系统[12]。软件定义的人工痛风诊疗系统的构建主要包括虚拟医生的构建和虚拟患者的构建,其中,虚拟医生的构建主要通过知识图谱技术实现(图6所示)。


4.1  虚拟医生


虚实医生是利用实际诊疗系统中现有医生的专业知识、临床经验、推理与思维方式、实际案例等大数据,通过ACP理论方法和人工智能技术手段,对每个虚拟患者做出诊断和治疗方案的“智能机器人医生”。实际医生在给实际患者看诊治疗的实践中,将一个具体的实际患者与一个具体的虚拟患者联系起来。在实际医生给实际患者诊疗的同时,虚实医生对虚拟患者进行诊疗,得到治疗效果。最后,实际医生参考虚拟医生的推断和方案进行痛风诊疗,虚拟医生根据实际医生的治疗方案和患者的实际治疗效果,重新计算和修正其诊疗算法,从而实现不断趋近最优方案。


虚拟医生包括描述医生、预测医生和引导医生3种形态。1)描述医生是对实际医生的医疗知识、临床经验、思维推理、性格特点等特征的虚拟抽象;2)预测医生是针对每个虚拟患者做出诊断和治疗方案,对通过计算实验得到的治疗效果进行实时观察与评估的过程形态;3)引导医生是根据治疗效果,通过实验试错和搜索寻优后获得的一组最优状态的虚拟医生。


6.jpg

图6 痛风医学知识图谱的部分知识关系

Fig.6 a part of gout knowledge graph

 

在平行痛风诊疗系统中,虚拟医生的构建主要通过知识图谱技术来实现。知识图谱是结构化的语义知识库,用于以符号形式描述物理世界中的概念及其相互关系,其基本组成单位是“实体-关系-实体”三元组、实体及其相关“属性-值”对,实体之间通过关系相互联结,构成网状的知识结构。通过知识抽取、知识融合和知识加工三个步骤将医学知识转化为完备知识图谱。知识抽取是从各种数据源中提取实体、属性及实体之间的相互关系,并在此基础上形成本体化的知识表达;知识融合是在获得新知识后需要对其进行整合,以消除矛盾和歧义;知识加工是对经过融合的新知识经过质量评估之后,将合格的知识加入到知识图谱中,以确保知识图谱的质量。知识图谱的表示一般通过本体网络语言(OWL)和资源描述框架(RDF)实现,如图6所示。RDFW3C公布的一种对于网络资源描述的资源框架;OWL则是在RDF的基础上,提供了语义更为丰富的描述框架。知识图谱的逻辑结构分为数据层和模式层:数据层用于存储具体的知识,包括疾病、症状、药品、医学检查等疾病的关联知识;模式层在数据层之上,用于存储经过提炼的知识。模式层相当于知识库的模具,是知识图谱的核心,通常采用本体库来管理。


4.2  虚拟患者


虚拟患者是通过仿真手段构建的、与实际患者保持一致的、一个或者多个历史出现过或未来可能产生的人工患者模型;虚拟患者是通过实时收集实际患者的生物特征、社会关系特征、环境特征等信息,在人工痛风诊疗系统内部记录相关数据和状态参数来构建的描述性模型;虚拟患者是将所有与痛风相关的因素,如年龄、性别、职业、饮食习惯、遗传基因、当前身体医学状态、病史等,进行排列组合,构建出所有可能的痛风患者群。尽管实际医生可能只见过虚拟患者中部分类型的患者,但在理论上所有类型的患者都可能存在。换言之,虚拟患者既包括了常见患者,也包括了疑难患者,虚拟患者会比实际医生考虑得更加全面。由此可见,本文提出的平行痛风诊疗系统最终将会优于任何实际医生。


虚拟患者包括描述患者、预测患者和引导患者三种形态。1)描述患者。对当前实际痛风诊疗系统中实际患者的客观认知,其构建信息主要包括姓名、年龄、性别、婚育状况等基本信息,主诉、现病史、既往史、过敏史、历次看诊病历、基因检测报告、化验报告等患者健康状况信息,直系亲属的健康状况、心理问题、社会问题等社会关系信息,运动情况、饮食习惯、生活作息等环境信息;2)预测患者。针对特定描述患者,根据其各项数据与参数,结合虚拟医生给出多种不同的实验痛风诊疗方案,将方案分别应用于同一描述患者,进行计算实验,从而得到描述患者的不同诊疗状态与结果,形成预测患者;3)引导患者。针对描述患者治疗的预期目标,通过对计算实验结果进行评估得到的最优治疗方案应用于描述患者会形成引导患者。


虚拟患者的构建主要通过痛风病看诊过程中的机器人问诊、体格检查、生化检查、影像检查等方式获取数据,同时将数据映射到痛风医学知识图谱中而形成的患者诊疗知识图谱,即描述患者;描述患者与实际患者的各项指标保持同步,用于生成预测患者并进行大规模计算实验,搜索评估得到最佳诊疗方案,即引导患者;引导患者和实际患者虚实交互、平行执行,用于监督和引导实际患者进行疾病的康复治疗。


作为描述智能、预测智能和引导智能的混合智能系统,平行痛风诊疗系统和实际痛风诊疗系统共同演进,通过知识图谱技术对医学知识的学习和表示来构建实现描述智能,通过知识推理和大量的真实患者数据计算实验推演实现预测智能,通过虚拟系统与真实系统的虚实交互,实现引导智能。从而,形成人工痛风诊疗系统引导实际痛风诊疗系统向最优化理想状态发展的诊疗方案[1,25]

5   痛风诊疗的计算实验与预测智能

痛风诊断计算实验主要通过构建的虚拟预测医生将多种实验痛风诊疗方案分别应用于同一描述患者,计算得出大量的与各实验方案对应的预测患者,评估其可能的结果,实现其“预测智能”。随着知识图谱技术的发展,知识图谱的推理技术为痛风诊疗计算实验提供了一种可行途径。由于构建的虚拟描述医生将痛风领域知识变成可推理计算的知识图谱形式,因此,将虚拟患者数据输入推理系统,通过知识图谱的搜索和知识推理方法可以实现痛风的诊断和治疗。另一可行途径是结合知识图谱与深度学习,通过将存储医学知识的知识图谱作为深度学习的输入和约束,从而使得神经网络模型能够充分利用知识图谱中大量存在的先验知识,实现预测智能。


5.1  基于知识图谱的推理


知识推理技术主要包括产生式推理、基于符号逻辑推理和基于统计的推理[33]。通过产生式推理方法可以实现基于规则的知识和基于实际的真实数据的推理,从而实现诊断计算实验;通过基于符号逻辑的推理和基于统计的推理可以实现知识的补全和自学习。


1)产生式推理方法。由知识图谱和推理机两部分组成,其中知识图谱由规则图谱和数据图谱组成。规则图谱是产生式规则的集合,数据图谱是事实的集合。推理机的推理方法包括正向推理、逆向推理。正向推理是从现有条件出发,从底向上地进行推理(条件的综合),直到预期目标实现;逆向推理是从预期目标出发,自顶向下的进行推理(目标分析),直到符合当前的条件。产生式推理的流程图如图7所示。


7.png

图7 产生式推理执行过程

Fig.7 the procedure of producting reasoning

 

2)基于符号逻辑的推理。基于经典逻辑(一阶谓词逻辑或命题逻辑)的推理,从一个已有的知识图谱,利用规则推理出新的实体关系,还可以对知识图谱进行逻辑的冲突检测,是本体语言OWL的逻辑基础。


3)基于统计的推理。关系机器学习方法,包括有实体关系学习方法和类型推理。其中,实体关系学习方法可以分为潜在特征模型和图特征模型。潜在特征模型通过实体的潜在特征来解释三元组;图特征模型通过三元组的边特征来预测一条可能的边。


5.2 痛风诊疗计算实验


痛风诊疗计算实验主要是通过虚拟医生所学习到的知识(知识图谱)结合虚拟患者的检查化验结果进行推理计算,最终确定痛风诊断结果以及给出最优治疗方案,主要包括痛风诊断计算实验和痛风治疗计算实验。


8.png

图8 痛风诊疗计算实验流程图

Fig. 8 the procedure of computational experiments for gout diagnosis and treatment

 

1)痛风诊断计算实验。在循证医学“将临床证据、个人经验与患者的实际状况三者相结合”的原则下开展实验。同时,参照了全球痛风医学领域公认的由美国风湿病学会于1977年制订的ACR痛风分类标准、2015年ACREULAR同时发布的最新痛风分类诊断标准。痛风诊断的过程主要包括:痛风初步诊断、鉴别诊断、痛风分期、合并症诊断。利用患者症状、检查、既往史、家族史等数据和知识图谱中对应知识的推理和搜索,实现上述诊断过程:通过初步诊断确定痛风患病可能性,通过鉴别诊断排除相似疾病,通过痛风分期判断痛风的严重程度,通过合并症诊断确认患者合并症情况。若是多种疾病伴发,则通过多种疾病之间的相互关系,推断疾病发生的源头并给出推断依据,最终生成精确诊断结果。


2)痛风治疗计算实验。痛风治疗遵循“分期、分级、联合、综合”的痛风治疗原则,坚持“异病同源,多病同治”思想[8],引导医生通过与实际医生平行执行确认诊断结果之后,根据痛风治疗计算实验,针对痛风发病类型、严重程度,同时兼顾痛风合并症的患病情况,应用药效动力学和药代动力学等,从系统角度计算、设计多种个体化痛风联合治疗实验方案并分别应用于此描述患者,进行痛风联合治疗的计算实验。最后获取各治疗实验方案的治疗效果进行分析与评估,从而得到针对该患者的最佳治疗方案。

6   痛风诊疗的平行执行与引导智能

痛风诊疗的平行执行是基于软件定义的人工痛风诊疗系统和痛风诊疗计算实验,将痛风诊疗模型在实际系统与人工系统中平行执行,来实现平行系统的“引导智能”,使模型的训练与优化主动化、动态化、在线化。通过实际痛风诊疗系统与人工痛风诊疗系统的虚实互动,引导实际医生根据人工系统计算实验得出的最优诊疗方案,对实际患者进行诊断与治疗;同时,对实际患者的后续状况进行跟踪观察,并实时反馈给人工痛风诊疗系统的描述患者;平行痛风诊疗系统会对反馈信息进行分析、评估、学习,给实际医生新的诊疗决策与治疗方案调整的建议,最终实现对实际痛风诊疗系统的持续优化[4-5]


9.png

图9 痛风诊疗平行执行示意图

Fig. 9 the procedure of parallel execution for gout diagnosis and treatment

 

6.1  实际医生与人工系统的平行执行


实际医生与人工痛风诊疗系统的平行执行是实际医生与虚拟医生在医学知识和临床经验具体应用上的虚实互动,主要体现在两个方面:一是虚拟医生通过计算实验对患者得出诊断结果时,医生与虚拟医生虚实互动,确认诊断结果;二是虚拟医生通过计算实验得到最优治疗方案时,通过真实医生虚实互动确认最优治疗方案,为医生提供实时的诊疗建议方案。


在实际医生面对真实患者时,通过化验结果、体格检查等,结合自己所掌握医学知识和临床经验会有一个自己的诊断结果;然而,人工系统中的预测医生通过已经建立起来的医学知识体系和历史病历数据,对描述患者各项指标进行推理与计算、优化与评估,通过实际医生和虚拟医生的虚实交互、平行执行得出最理想的痛风诊疗方案。当人工痛风诊疗系统的诊疗方案和实际医生不一致时,人工痛风诊疗系统会给出推断依据和推断过程。实际医生每天面对大量的患者难免存在疏忽,如果是实际医生漏诊误诊,通过虚实互动可以纠正实际医生的漏诊误诊,并在描述医生中记录该实际医生有待学习完善的知识,在后续诊疗、科研工作中帮助实际医生提高业务水平;如果是人工痛风诊疗系统的偏差,人工系统将进行自学习,从错误诊断中获得临床诊疗经验和医学知识,并不断优化提升诊断准确率和治疗有效性。


6.2  实际患者与人工系统的平行执行


实际患者与人工痛风诊疗系统的平行执行是让人工痛风诊疗系统全程参与患者的康复过程,并不断监测患者身体各项指标的变化,实时反馈,及时引导患者按照最优方案接受治疗,为患者提供长期的疾病控制和慢病管理。


在实际治疗中当患者实际治疗效果与引导预期出现较大偏差时,重新执行计算实验并及时调整治疗方案。痛风是一种可治愈的疾病,但大量的患者出现久治不愈,反复发作,痛风石形成。其主要原因在于忽略了患者知识教育及后期管理,只重视痛风发作,未坚持长期用药,血尿酸不能长期达标[8]。平行痛风诊疗系统通过虚拟患者和真实患者的平行执行、虚实互动来帮助医生和患者解决此问题:当实际患者自行停药或生活、饮食、运动等不规律时,尿酸、血压等指标的变化会体现在描述患者模型中,引导患者一旦监测到指标异常,便立刻反馈给虚拟医生重新进行计算实验,从而,辅助实际医生调整诊疗方案,指导实际患者调整生活建议方案。


7  结束语


本文将ACP理论推广到痛风病的诊断和治疗领域,提出了平行痛风诊疗系统框架,通过使用计算机信息系统、大数据挖掘技术,建立医疗知识库、智能病历库、专家看诊规则库,运用人工智能技术、机器学习、知识图谱、OWL等技术构建了平行痛风诊疗系统。该系统已开发完成并在青岛大学附属医院痛风门诊的临床诊疗中应用数年,得到了医生和患者的认可。该系统辅助医生从系统角度进行医学研究,评估最佳治疗方案,确定治疗过程的风险和收益;解决大多数医学信息因基于观察和统计方法,难于进行临床试验和跟踪的问题;解决临床试验中大量无法控制的参数,导致的结果不确定、不可用的问题。该系统将有助于解决传统痛风诊疗系统中医疗资源分配不均衡,帮助患者解决“看病难”、“重治疗轻预防”的问题;帮助医生避免人为疏漏,降低误诊误治率,提高疾病诊断的准确率和治疗的有效性。


平行技术在痛风诊疗中的应用具有重要的实际意义,是传统医疗模式走向智慧化、平行化的有效途径和自然选择,未来必将逐步推广应用于其他慢性病,乃至全科的临床诊疗中,具有巨大的发展空间和应用前景[5]。系统依据国际标准化的诊疗规范、国际前沿的学术成果,基于国内外痛风领域顶级医疗专家的多年临床诊疗经验,为医生提供精准化、智慧化的疾病辅助诊断和治疗决策。系统作为科研管理平台,为医护人员提供丰富的、定制化、智慧化的病历数据,便于进行科研数据的收集、管理、统计、分析等。系统作为教育与学习平台,为医护人员、医学生提供实时更新的专业医疗信息,以及详细的疾病推断依据和推断过程,有助于提升业务水平。系统作为患者自诊断平台,为患者提供全天候的医疗、饮食、运动、康复等方面的个体化指导,有助于患者做好慢病管理与疾病控制。系统顺应国家政策方向,有助于正规化诊疗过程,提高基层医生的业务水平;有助于实现国家分级诊疗、电子病历、家庭医生等医改目标,推进健康中国建设,实现更高水平的全民健康。

  参考文献  

[1]    王飞跃. 平行系统方法与复杂系统的管理和控制. 控制与决策, 2004, 19(5):485-489.

(WANG F Y. Parallel System Methods for Management and Control of Complex Systems. Control and Decision, 2004, 19(5): 485-489. )

[2]    王飞跃. 人工社会、计算实验、平行系统——关于复杂社会经济系统计算研究的讨论.复杂系统与复杂性科学, 2004, 1(4): 25-35.

(WANG F Y. Artificial Societies, Computational Experiments and Parallel Systems: A Discussion on computational Theory of Complex Social-Economic Systems. Complex Systems and Complexity Science, 2004, 1(4): 25-35. )

[3]   Wang F Y, Wong P K. Intelligent Systems and Technology for Integrative and Predictive Medicine: An ACP Approach. Acm Transactions on Intelligent Systems & Technology, 2013, 4(2):1-6.

[4]   王飞跃. 平行医学与平行健康:迈向智能医学和智慧健康的智能科技. 智能产业发展战略报告. 青岛:青岛智能产业技术研究院(QAII), 2014.

(WANG F Y. Parallel Medicine and Parallel Health: Technologies towards Intelligent Medicine and Intelligent Health. Reports on the Development of Intelligent Industry. Qingdao, China: Qingdao Academy of Intelligent Industries (QAII), 2014. )

[5]    王飞跃. 平行医学. 亚太痛风联盟成立大会&第七届东方痛风论坛. 哈尔滨:哈尔滨医科大学附属第四医院, 2017.

(WANG F Y. Parallel Medicine. Asia Pacific Gout Conference & the 7th East Gout Forum. Harbin, China: The 4th Affliated Hospital of Harbin Medical University, 2017. )

[6]    王飞跃. 平行控制:数据驱动的计算控制方法. 自动化学报, 2013, 39(4): 293-302.

(WANG F Y. Parallel Control: A Method for Data-Driven and Computational Control. Acta Automatica Sinica, 2013, 39(4): 293-302. )

[7]   母义明. 高尿酸血症和痛风实用诊疗手册. 天津:天津科技翻译出版公司, 2014.

(MU Yiming. Handbook fo Diagnosis and Treatment of Hyperuricemia and Gout. Tianjin: Tianjin Science & Technology Translation & Publishing Corp., 2014. )

[8]    李长贵. 实用痛风病学. 北京:人民军医出版社, 2016.

(LI Changgui. Practice of Gout. Beijing: People's Military Medical Press, 2016. )

[9]    D. A. Ferrucci. Introduction to “This is Watson”. IBM Journal of Research and Development, vol. 56, no. 3.4, pp. 1:1-1:15, May-June 2012. DOI: 10.1147/JRD.2012.2184356.

[10]  Fan J, Kalyanpur A, Gondek D C, et al. Automatic knowledge extraction from documents . IBM Journal of Research & Development, 2012, 56(3):290-299.

[11]  Fei-Yue Wang. The Emergence of Intelligent Enterprises: From CPS to CPSS. IEEE Intelligent Systems, 2010, Vol. 25, Issue: 4, pp. 85-88.

[12]  王坤峰,苟超,段艳杰,等. 生成式对抗网络GAN的研究进展与展望.自动化学报,2017, 43(2): 321-332.

(WANG K F, GOU C, DUAN Y J, et al. Generative Adversarial Networks: The State of the Art and Beyond. Acta Automatica Sinica, 2017, 43(3): 321-332. )

[13]  李力,林懿伦,曹东璞,郑南宁,王飞跃.平行学习——机器学习的一个新型理论框架.自动化学报, 2017,43(1):18.

(LI L,LIN Y L, CAO D P, et al. Parallel Learning-A New Framework for Machine Learning. Acta Automatica Sinica, 2017,43(1):1-8.)

[14]  王飞跃. 计算实验方法与复杂系统行为分析和决策评估.系统仿真学报, 2004, 16(5): 893-897.

(WANG F Y. Computational Experiments for Behavior Analysis and Decision Evaluation of Complex Systems. Journal of System Simulation, 2004, 16(5): 893-897. )

[15]  王飞跃. 软件定义的系统与知识自动化:从牛顿到默顿的平行升华.自动化学报, 2015,41(1)293-302.

(WANG F Y. Software-Defined Systems and Knowledge Automation: A Parallel Paradigm Shift from Newton to Merton. Acta Automatica Sinica, 2015, 41(1): 1-8.)

[16]  王飞跃. 指控5.0:平行时代的智能指挥与控制体系. 指挥与控制学报,2015, vol. 1,No. 1, pp. 107-120.

(WANG Fei-Yue. CC5.0:Intelligent Command and Control Systems in the Parallel Age. Journal of Command and Control2015, vol. 1,No. 1, pp. 107-120.)

[17]  王飞跃. 机器人的未来发展:从工业自动化到知识自动化. 科技导报,2015,3321):39-44.

(WANG Fei-Yue. On future development of robotics: From industrial automation to knowledge automation. Science & Technology Review | Sci Technol Rev, 2015,3321):39-44.)

[18]  王飞跃,张梅,孟祥冰,王蓉,王晓,张志成,陈鸰,葛均华,杨田. 平行手术:基于ACP 的智能手术计算方法. 模式识别与人工智能, 2017, 30(11): 961-970.

(WANG Fei-Yue, ZHANG Mei, MENG Xiangbing, WANG Rong, WANG Xiao,ZHANG Zhicheng, CHEN Ling, GE Junhua, YANG Tian. Parallel Surgery: An ACP-Based Approach for Intelligent Operations. Pattern Recognition and Artificial Intelligence, 2017, 30(11): 961-970. )

[19]  刘昕, 王晓, 张卫山, 汪建基, 王飞跃. 平行数据: 从大数据到数据智能. 模式识别与人工智能, 2017, 30(8): 673-681

(Liu Xin, Wang Xiao, Zhang Wei-Shan, Wang Jian-Ji, Wang Fei-Yue. Parallel data: from big data to data intelligence,Pattern Recognition and Articial Intelligence, 2017, 30(8):673-681)

[20]  王坤峰,鲁越,王雨桐,等. 平行图像:图像生成的一个新型理论框架. 模式识别与人工智能, 2017, 30(7):577-587.

(WANG K F, LU Y, WANG Y T, et al. Parallel Imaging: A New Theoretical Framework for Image Generation. Pattern Recognition and Artificial Intelligence, 2017, 30(7): 577-587. )

[21]  王飞跃,邱晓刚,曾大军,等. 基于平行系统的非常规突发事件计算实验平台研究. 复杂系统与复杂性科学, 2010, 7(4): 1-10.

(WANG F Y, QIU X G, ZENG D J, et al. A Computational Experimental Platform for Emergency Response Based on Parallel Systems. Complex Systems and Complexity Science, 2010, 7(4): 1-10.)

[22]  王坤峰,苟超,王飞跃. 平行视觉: 基于ACP 的智能视觉计算方法. 自动化学报, 2016, 42(10): 1490-1500

(WANG K F, GOU C, WANG F Y. Parallel Vision: An ACP-Based Approach to Intelligent Vision Computing. Acta Automatica Sinica, 2016, 42(10): 1490-1500. )

[23]  王飞跃. 基于社会计算和平行系统的动态网民群体研究. 上海理工大学学报, 2011, 33(1): 8-17.

(WANG F Y. Study on Cyber-Enabled Social Movement Organizations Based on Social Computing and Parallel Systems. Journal of University of Shanghai for Science and Technology, 2011, 33(1):8-17. )

[24]  王飞跃,王晓,袁勇,等. 社会计算与计算社会:智慧社会的基础与必然. 科学通报, 2015, 60(5/6): 460-469.

(WANG F Y, WANG X, YUAN Y, et al. Social Computing and Computational Societies: The Foundation and Consequence of Smart Societies. Chinese Science Bulletin, 2015, 60(5/6): 460-469. )

[25]  袁勇,王飞跃. 平行区块链: 概念、方法与内涵解析. 自动化学报, 2017, 43(10): 17031712

(YUAN Yong, WANG Fei-Yue. Parallel Blockchain: Concept, Methods and Issues. Acta Automatica Sinica, 2017, 43(10): 1703−1712. )

[26]  白天翔,王帅,沈震,曹东璞,郑南宁,王飞跃. 平行机器人与平行无人系统:框架、结构、过程、平台及其应用. 自动化学报,2017,432):161-175.

(BAI T X, WANG S, SHEN Z, et al. Parallel Robotics and Parallel Unmanned Systems: Framework, Structure, Process, Platform and Applications. Acta Automatica Sinica, 2017, 43(2): 161-175. )

[27]  F.-Y. Wang, N.-N. Zheng, D. P. Cao, C. M. Martinez, L. Li, T. Liu. Parallel driving in CPSS: a unified approach for transport automation and vehicle intelligence. IEEE/CAA Journal of Automatica Sinica, vol. 4, no. 4, pp.577-587, Oct. 2017.

[28]  Wang F Y, Zhang J, Wei Q, Li L. PDP: parallel dynamic programming . IEEE/CAA Journal of Automatica Sinica, 2017, 4(1): 1-5.

[29]  Zhang N, Wang F Y, Zhu F H, Zhao D B, Tang S M. DynaCAS: computational experiments and decision support for ITS . IEEE Intelligent Systems, 2008, 23(6): 19-23.

[30]  Wang F Y. Parallel control and management for intelligent transportation systems: concepts,architectures, and applications . IEEE Transactions on Intelligent Transportation Systems, 2010,11(3): 630-638.

[31]  Li L, Wen D. Parallel systems for traffic control: a rethinking . IEEE Transactions on Intelligent Transportation Systems, 2016, 17(4): 1179-1182.

[32]  Wang F Y, Wang X, Li L X, Li L. Steps toward parallel intelligence. IEEE/CAA Journal of Automatica Sinica, 2016, 3(4): 345-348.

[33]  漆桂林, 高桓, 吴天星. 知识图谱研究进展[J]. 情报工程, 2017, 3(1):4-25.

(Qi Guilin, GAO Huan et.al. The research advances of knowledge graph. Technology intelligence engineering,  2017, 3(1):4-25.)

作者简介

blob.png

 

  王飞跃(通讯作者),男,1961年生,博士,研究员,主要研究方向为智能系统和复杂系统的   建模、分析与控制.E-mail:feiyue.wang@ia.ac.cn.

(WANG Fei-Yue(Corresponding author), born in 1961, Ph. D. , professor. His research interests include modeling,       analysis, and control of intelligent systems and complex systems. )



blob.png

    李长贵,男,1963年生,博士,主任医师,主要研究方向为高尿酸血症与痛风的基础与临      床研究.E-mail: lichanggui@medmail.com.cn.

(LI Changgui, born in 1963, Ph. D. , chief physician. His research interests include basic and clinical        research of Hyperuricemia and Gout. )


blob.png

   国元元,女,1986年生,硕士研究生,高级工程师,主要研究方向为平行医学、平行辅助诊    疗系统、智慧健康、工程管理、软件工程.

E-mail: yuanyuan.guo@qaii.ac.cn.

(GUO yuanyuan, born in 1986, master candidate, senior engineer. Her research interests include parallel medicine, parallel diagnosis and treatment, smart healthcare, engineering  management and software engineering.



blob.png

   王静,男,1992年生,硕士,助理工程师,主要研究方向为平行医学、平行辅诊疗系统、机    器学习、自然语言理解.

E-mail: wangjing2014@ia.ac.cn.

(WANG Jing, born in 1992,master, assistant engineer. His research interests include parallel medicine, parallel diagnosis and treatment, machine learning and natural language processing. )     

blob.png

   王晓,女,1988年生,博士,助理研究员,主要研究方向为社会计算、知识自动化、知识机    器人、社会交通、平行智能.

E-mail:x.wang@ia.ac.cn.

(WANG Xiao, born in 1988, Ph. D. ,research assistant. Her research interests include social computing, knowledge automation, knowledge robots, social transportation and parallel intelligence.)



blob.png

   邱天雨,男,1990年生,硕士,软件工程师。主要研究方向为人工智能,知识图谱和软件工  

   程。E-mail: tianyuq@email.arizona.edu.

(QIU Tianyu, born in 1990, master, software engineer. His research interests include artificial intelligence, knowledge graph and software engineering.)



blob.png

   孟祥冰,男,1990年生,博士研究生,主要研究方向为计算机视觉. 

      Email: mengxiangbing2014@ia.ac.cn

(MENG Xiangbing, born in 1990,Ph.D.candidate. His research interests is compter vision)




blob.png

   施小博,男,1963年生,博士,正高级,主要研究方向为模式识别与人工智能、自然语言处理、知识图谱. E-mail: xiaobo.shi@qaii.ac.cn.

(SHI Xiaobo, born in 1963, Ph. D. , professor. His research interests include pattern recognition and artificial intelligence, natural language processing and  knowledge graph.)




  后记:本文发表在2017年《模式识别与人工智能》第12期 第30卷

 

   平行高特:3A基于ACP的平行痛风诊疗系统框架.pdf



1-12-平行高特:3A基于ACP的平行痛风诊疗系统框架_页面_02.jpg

1-12-平行高特:3A基于ACP的平行痛风诊疗系统框架_页面_03.jpg

1-12-平行高特:3A基于ACP的平行痛风诊疗系统框架_页面_04.jpg

1-12-平行高特:3A基于ACP的平行痛风诊疗系统框架_页面_05.jpg

1-12-平行高特:3A基于ACP的平行痛风诊疗系统框架_页面_06.jpg

1-12-平行高特:3A基于ACP的平行痛风诊疗系统框架_页面_07.jpg

1-12-平行高特:3A基于ACP的平行痛风诊疗系统框架_页面_08.jpg

1-12-平行高特:3A基于ACP的平行痛风诊疗系统框架_页面_09.jpg

1-12-平行高特:3A基于ACP的平行痛风诊疗系统框架_页面_10.jpg

1-12-平行高特:3A基于ACP的平行痛风诊疗系统框架_页面_11.jpg

1-12-平行高特:3A基于ACP的平行痛风诊疗系统框架_页面_12.jpg



http://blog.sciencenet.cn/blog-2374-1104619.html

上一篇:[转载]谢克曼:不恰当的激励会损害科学研究
下一篇:[转载]慧拓智能 “第三代平行驾驶系统” 发布会成功举办

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备14006957 )

GMT+8, 2018-7-20 18:48

Powered by ScienceNet.cn

Copyright © 2007-2017 中国科学报社

返回顶部