VIII Foro de la Sociedad de la Información VI Telecoforum: Tecnologías en el Sector Sanitario 21 de Abril de 2008. De la Gestión de la Información a la Gestión del Conocimiento en los Sistemas de Información Clínicos José Manuel Juárez y Tamara Riestra Grupo AIKE: Inteligencia Artificial e Ingeniería del Conocimiento Dpto. de Ingeniería de la Información y las Comunicaciones Facultad de Informática, Universidad de Murcia
INDICE GENERAL 1. Grupo AIKE 2. Modelado del conocimiento médico 3. Modelos de comportamiento causal y temporal 4. Gestión de conocimiento: ACUDES y CATEKAT2 5. Transferencia Tecnológica: Clínica Virgen de la Vega. 6. Gestión conocimiento en SHIC: WOMKA. 2
Grupo AIKE AIKE:Inteligencia Artificial e Ingeniería del Conocimiento. Grupo de Investigación de la UMU en el DIIC. Constituido en 1993 y coordinado por Prof. R. Marín. En Cartagena, estrecha colaboración con: Dept. de Electrónica, Tec. de Computadoras y Proyectos(UPCT): Prof. Ruíz. Recursos humanos (actuales): 19 miembros. 10 doctores, 2 estudiantes de doctorado, 5 ingenieros contratados y 2 médicos. Líneas de Investigación: Razonamiento espacial y temporal Minería de Datos, Razonamiento Basado en Casos. Computación Evolutiva Diagnóstico y mantenimiento de plantas y de equipos industriales. Aplicación y gestión del conocimiento en diferentes dominios: medicina, agricultura. 3
Grupo AIKE. Transferencia tecnológica en medicina: Informatización de Servicios Hospitalarios. Resultados: CH4,NS4 y BS4. Hospital Universitario de Getafe (Madrid). Instituto de Investigación Biomédica del HUG. Unidad de Cuidados Intensivos. Unidad de Grandes Quemados. NS4 UCI CH4 UCI BS4 UGQ 4
Modelado de conocimiento médico Inteligencia Artificial: Modelar, Formalizar, Programar e Implementar máquinas soporte capaces de interactuar de forma no trivial con el medio. En definitiva realizar tareas cognitivas o científico-técnicas genuinas de los organismos vivos: controlar, planificar, diagnosticar etc. Innecesaria la analogía: Hardware Cerebro Software Mente Calcular Pensar 5
Modelado de conocimiento médico Datos, Información y Conocimiento: Datos -> Información cuando pueden ser resumidos y estructurados en patrones lógicos. Información -> Conocimiento cuando pueden ser aplicados para resolver un problema. El conocimiento es útil en un contexto determinado y en un momento preciso. Ejemplo en medicina: Temperatura = 39.8º C (de 10:00am hasta 15:00pm). Fiebre Alta (de 10:00am hasta 15:00pm) Largo Episodio de Fiebre Alta Riesgo Integridad Paciente. 6
Modelado de conocimiento médico Escenario de los Entornos Clínicos (en general): HOSPITAL: Sistemas de Historia Clínica Electrónica. DEPARTAMENTOS: Sistemas Locales (Servicios): a medida. EQUIPO MÉDICO: Bases de datos específicas con estudios clínicos. MÉDICO: Micro aplicaciones específicas: en PDAs, labtop, Bibliografía Médica (digital o no) Experiencia acumulada por el equipo médico: protocolos, GC, La WEB: artículos científicos, portales médicos, 7
Modelado de conocimiento médico Para qué modelar conocimiento? Tomas de decisiones médicas pueden mejorarse si se dispone del conocimiento médico adecuado en el momento justo [Abidi] Mejorar la tasa de reutilización de la información recopilada. Utilidades de edición para adaptar contenidos. Poner la información donde y cuando se necesita. Tareas de soporte. Ej. Alarmas inteligentes para bioseñales. Ej. Sistemas de ayuda al diagnóstico. Ej. Búsquedas inteligentes. CONOCIMIENTO MÉDICO: Incompleto, impreciso, muchos años de aprendizaje, cambiante y multidisciplinar 8
Modelado de conocimiento médico Algunas alternativas en el modelado del conocimiento. Lógicas: Describir conocimiento con altísima expresividad. No siempre decidible ni computable. Meta-Tesauros y Ontologías: Descriptivo. Razonar. Compartir. UMLS, SNOMED, HL7-RIM, CIE, GALEN, LinkBase, JULIE, ON9 Marcos (Frames) Modelado descriptivo y funcional: descripción de escenarios y operadores. Razonamiento basado en Reglas (RBR): Reglas causales. Obtener base de reglas. Sistemas RBR médicos: MYCIN. 9
Modelado de conocimiento médico Modelos Probabilísticos Toma de decisiones basado en valores Pr: VP,VN,FP,FN, esp,sens. Influence Diagrams, Bayesian Nets, Markov Models Razonamiento basado en Analogía Búsqueda de Pacientes Metodología: Razonamiento Basado en Casos (CBR) DIFICULTADES PARA CONSTRUIR MODELOS: Conocimiento superficial: diagnóstico-hallazgo Estructuras artificiales: problemas adquisición 10
SISTEMAS BASADOS EN MODELOS Resolver problemas a partir de una estructura y del comportamiento del sistema. Comportamiento anormal (frente al normal). Descripción de patologías: Etiología. Descripción de la evolución de las patologías. 11
Sistemas basados en modelos: DFTP Temporal Behavioural Model. Diagnosis Fuzzy Temporal Patterns. (DFTP) Descripción de la evolución de enfermedades. Comportamiento causal y temporal de cada patología. TBM = { DFTPk} and DFTP = < H, IM, IH, Rdftp, CTX > H: hipótesis diagnóstica: diag. Fisio-patológico. IM = {imk} manifestaciones implicadas. IH = {ihk} hipótesis implicadas: diag. Etiológico. R =<T,L> Redes de restricciones temporales. CTX={ctxk} Contexto. IAM DESPUÉS DESPUÉS DESPUÉS ShockMixto Incr.Dolor aprox A LAS apr2mindesp. ST-Elevación 12
Sistemas basados en modelos: DFTP Diagnóstico basado en modelos Extension de: Cover-Differentiate Method. Basado en ABDUCTIVE REASONING. Consistencia Causal y Temporal. Solución Card. Múltiple. Covertura Parsimoniosa. Eficiencia aceptable. del proceso. 13
Gestión del Conocimiento : ACUDES ACUDES: Unidad Cuidados Intensivos CATEKAT2 14
Gestión del Conocimiento : CATEKAT CATEKAT: Herramienta de adquisición de conocimiento causal y temporal. CATEKAT proporciona interfaz web para la adquisición de conocimiento médico (DFTP). CATEKAT proporciona servicios web a cualquier aplicación. CATEKAT frente al médico: ASISTENTE Selección de la terminología a utilizar. Clasificación del conocimiento (proyectos). Descripción del conocimiento: Hipótesis, Manifestaciones, Rel. Temporales, CATEKAT2 es una versión desacoplada de ACUDES. 15
Gestión del Conocimiento : CATEKAT2 Ciclo de vida de CATEKAT2 1. Terminología 2. Clasificación 3. Descripción 16
Gestión del Conocimiento: CATEKAT2 Otras Características: Entorno multiusuario. Gestión de roles / permisos. Entorno de trabajo cooperativo. Comprobación consistencia causal/temporal de dftp. Gestión de proyectos. 17
Transferencia Tecnológica: C. Virgen de la Vega ACUDES diseñada para UCI. CATEKAT2 utilizada en UCI pero es genérica para cualquier dominio médico. CATEKAT2 y ACUDES son independientes del SHIC. Necesidad de Transferencia Tecnológica para mejorar el producto. C. Virgen de la Vega fuerte apuesta por un salto en la calidad de sus sistemas de información. Dpto. Informática de Clínicas ASISA (J.Alejandro Jimenez) pionera en informatización en toda la red de grupo ASISA. Propuesta de Transferencia: Aplicar al Servicio de Pediatría. Integrar estas aplicaciones a su SHIC. Añadir nuevas funcionalidades. 18
Transferencia Tecnológica: C. Virgen Vega FASE IV: 2006-2009 2009 GESTION DEL CONOCIMENTO SANITARIO A finales de 2005 el grupo ASISA firma un convenio marco de cooperación con la Universidad de Murcia. A través de la OTRI de la Universidad se establece el primer contacto entre la Clínica Virgen de la Vega y el grupo AIKE. En junio de 2006 nace el Proyecto de Infraestructura Tecnológica para la Gestión Eficiente del Conocimiento Médico, cuyo objetivo es dotar a las Clínicas de ASISA, de una herramienta integrada que complemente al HIS, ofreciendo a los facultativos generar conocimiento a partir de la información recopilada. 19
Transferencia Tecnológica: C. Virgen Vega FASE IV: 2007-2009 2009 GESTION DEL CONOCIMENTO SANITARIO Tras 6 meses de elaboración y aporte de documentación el proyecto queda aprobado en enero de 2007. Durante este periodo se ha establecido una relación entre el departamento de I+D+I de Clínicas ASISA y el grupo AIKE de la UMU, que ha permitido establecer que en un plazo de 2 años, quedará integrado el entorno WOMKA con el HIS. 20
WOMKA: Web of Medical Knowledge Acquisition Adaptación, desarrollo e implantación de una herramienta para gestión del conocimiento médico basada en web, incluyendo facilidades para: Adquisición. Representación. Consulta. Visualización. Compartición del conocimiento. Búsquedas avanzadas. Facilitar el uso de: ontologías médicas y terminología estándar Proporcionará un entorno distribuido y colaborativo que: Está basado en web. Permite acceso ubicuo al conocimiento. Está integrada en el SHCE de ASISA. Es una adaptación de CATEKAT2 a las necesidades del Servicio de Pediatría de la C. Virgen de la Vega. 21
WOMKA: Web of Medical Knowledge Acquisition Simplificación del modelo dftp. Adecuación de las interfaces. Edición de ontología propia. Servidor Ontologías basado en ProtégéOWL. Importación de ontologías y terminología estándar. CIE v.9, CIE v.10. Buscador Herramienta colaborativa y trabajo en grupo. 22
WOMKA: Web of Medical Knowledge Acquisition En resumen: Proporcionar valor añadido al SHCE ya implantado: Mejorar la tasa de reutilización de la información recopilada Generar conocimiento a partir de la información Conocimiento para la acción: Respuestas Explotar la Información: Producto Materia Prima Objetivar y compartir conocimientos y experiencias: Sesión Clínica Virtual Utilidades de edición para adaptar contenidos al Servicio Uso de estándares terminológicos Movilización del conocimiento: Poner la información donde y cuando se necesita Uso de dispositivos para acceso remoto Aplicación distribuida sobre intranet basada en acceso web 23
Muchas gracias por su atención Contacto: Links: email: jmjuarez@um.es telef: : +34 968 367345 direcc: desp.. 1.35. Facultad de Informática Campus de Espinardo.. 30100. Murcia Grupo AIKE www.um.es/aike CATEKAT Tool: http:// ://perseo.dif.um.es/~aike/htm/catekat.htm CH4 Tool: http:// ://perseo.dif.um.es/~aike/htm/ch4.htmhtm 24