WO2003005297A2 - Verfahren zum erstellen eines kausalen netzes auf grundlage einer wissensakquisition - Google Patents

Verfahren zum erstellen eines kausalen netzes auf grundlage einer wissensakquisition Download PDF

Info

Publication number
WO2003005297A2
WO2003005297A2 PCT/DE2002/002280 DE0202280W WO03005297A2 WO 2003005297 A2 WO2003005297 A2 WO 2003005297A2 DE 0202280 W DE0202280 W DE 0202280W WO 03005297 A2 WO03005297 A2 WO 03005297A2
Authority
WO
WIPO (PCT)
Prior art keywords
knowledge
causal network
collected
software tool
diseases
Prior art date
Application number
PCT/DE2002/002280
Other languages
English (en)
French (fr)
Other versions
WO2003005297A3 (de
Inventor
Joachim Horn
Marco Pellegrino
Ruxandra Scheiterer
Original Assignee
Siemens Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to US10/482,657 priority Critical patent/US20040153429A1/en
Priority to EP02752975A priority patent/EP1433130A2/de
Publication of WO2003005297A2 publication Critical patent/WO2003005297A2/de
Publication of WO2003005297A3 publication Critical patent/WO2003005297A3/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Definitions

  • the invention relates to a method for creating a causal network (Bayesian Network) based on a knowledge acquisition.
  • the invention therefore lies in the field of decision theory.
  • Causal networks also known as causal or Bayesian networks, represent graphical representations of causal relationships in a domain, and a large number of probability calculations already exist for these networks.
  • Causal networks e.g. described in F.V. Jensen: An Introduction to Bayesian Networks, UCL Press, 1996) provide a precise and efficient framework, e.g. for calculating the probability of each stochastic variable for a given set of observations.
  • causal network is still a complex undertaking when applied to complex systems, such as medical diagnosis.
  • a particular difficulty in creating causal networks is to design the knowledge acquisition in such a way that it is carried out sufficiently completely by a non-mathematic layperson, such as a doctor, to make a causal network meaningful.
  • the invention provides for the method in question to carry out the knowledge acquisition separately from the creation of the causal network.
  • the knowledge acquisition provides for the gathering of relevant knowledge by structuring the collected knowledge into a structured representation that is so complete that the causal network can be created automatically by means of a computer.
  • the invention accordingly takes a new approach to knowledge acquisition and generation of a causal network, a subset being generated from the collected knowledge, preferably using a mathematical method, in such a way that the resulting representation is complete.
  • the relevant knowledge is collected using a software tool.
  • This collection by means of the software tool is preferably carried out in dialogue on a display device, for example on the monitor of a computer in which the software tool is implemented.
  • An interesting field of application of the method according to the invention relates to the possible support of a medical decision.
  • the software tool for specifying diseases and findings, for relationships between diseases and findings and for specific marginal probabilities and conditional probabilities is designed to ensure that the knowledge gathered is so complete, that the causal network can be created automatically using a compiler.
  • the software tool uses the diseases and the findings as a stochastic variable.
  • unit, its marginal probability and additional information are displayed on the display device.
  • the additional information contains factors which promote and inhibit the selected disease. In order to quantify the effects of the promoting and inhibiting factors, provision is advantageously made to specify conditional probabilities.
  • the support for medical decision-making explained above provides that the symptoms of a selected disease are displayed on a computer monitor, for example, together with the conditional probability that this disease causes the symptom.
  • the inventors of the present application developed the above-described application of the method according to the invention to support medical decision-making as part of the so-called HealthMan project (T. Birkhölzer, M. Haft, R. Hofmann, J. Hörn, M. Pellegrino, V. Tresp: "Intelligent Communication in Medical Gare”. Proceedings of the Joint European Conference on Artificial Intelligence in Medicine and Medical Decision Making (AIMDM 99), Aalborg, Denmark, June 1999, p. 4). Knowledge is first collected and converted into a structured representation using a software tool that is tailored to medical use. This software tool is also referred to here as MedKnow.
  • FIG. 1 shows an embodiment of a surface (monitor display) of the HealthMan dialog and advice system
  • Fig. 2 is a monitor representation of the software tool MedKnow
  • 3 shows a causal network for infections that was generated automatically by a knowledge compiler.
  • the HealthMan project mentioned above and shown in FIG. 1 in the form of an exemplary anamnesis process provides a self-diagnosis service which is used as a health guide in a dialog-guided manner, for example with the patient, and thus significantly relieves the medical practitioner with regard to the diagnosis.
  • the HealthMan project aims to emulate the medical doctor's anamnesis process, i.e. to carry out an interactive process that is dynamically driven by medical knowledge and analyzes the information already available.
  • Causal networks have proven to be a suitable technique for this application because they guarantee knowledge acquisition in the medically relevant direction, i.e. from diseases to symptoms, and by taking into account the previous disposition for special diseases.
  • causal networks (Bayesian Networks) represent a correct means of calculation for the uncertainty underlying the medical history in particular.
  • the HUGIN library is used for inference within the HealthMan project.
  • the inventors used the scenario "initial evaluation of the seriousness of common childhood diseases" as an example for testing the method according to the invention.
  • networks for several subdomains were developed (e.g. infections, respiratory system, skin, abdomen, eyes, ears).
  • the system was tested by a professional usability laboratory and received by users (mothers of young children) as well as by the accompanying doctors.
  • the MedKnow software tool mentioned above is designed so that on the one hand medical experts can formulate their medical knowledge without having to bring in special knowledge of causal networks and probability theory, and on the other hand it is guaranteed that the acquired knowledge in this sense it is complete that the causal network can be generated automatically or on its own.
  • the MedKnow software tool uses two classes of stochastic variables: diseases and findings.
  • a finding can play the role of a symptom, or the role of a disease-promoting or inhibitory factor.
  • An example of the acquisition of the required knowledge is shown in FIG. 2.
  • All diseases and findings are listed in the left part of the window displayed on a computer monitor.
  • the selected disease or finding is shown in the main part of the window.
  • the medical area of infections is shown here as a model and the disease "measles" is selected.
  • the upper part of the main window shows the promoting and inhibiting factors, in this case contact with infected people and immunity.
  • the necessary probabilities must also be specified in order to quantify the effect of the promoting and inhibiting factors. The meaning of these required probabilities and the assumptions on which they are based are discussed in the appendix to the present description.
  • the central part of the main window in FIG. 2 shows the selected disease, its marginal probability and additional information used in the HealthMan project, for example the urgency to consult a doctor.
  • the lower part of the main window shows the symptoms the disease along with the required probability that the disease will actually cause the symptom.
  • FIG. 3 shows the graphical representation of a causal network for infections, generated by a knowledge compiler in accordance with the method according to the invention.
  • the generation (in this case the automatic generation) of a causal network using the knowledge acquired as explained above can be divided into two subtasks: the generation of the graph (shown in FIG. 3) and the calculation of the required probability tables.
  • each disease and each finding is represented by a node and additional nodes are created separately for the collection of promoting factors and for the collection of inhibitory factors of each individual disease.
  • Arrows are drawn from the diseases to the respective symptoms, from supporting factors to the respective collection nodes and from the inhibitory factors to the respective collection nodes and from the collection nodes to the respective diseases (see FIG. 3).
  • the calculation of the necessary probability tables of the causal network is based on the specified probabilities and the gate type.
  • the inventors used gates for findings such as the so-called noisysyOR (FV Jensen: An Introduction to Bayesian Networks, UCL Press, 1996), noisysyMAX and noisysyELENI (R. Lupas Scheiterer: Heal thMan Bayesian Network Description: Disease to Symptom Layer, Siemens AG, ZT IK 4, Internal Report, 1999). Diseases were modeled as a promoting / inhibiting gate (J. Hörn: Heal thMan Bayesian Network Description: Enhancing and Inhibiting Factors of Diseases. Siemens AG, ZT IK 4, internal report, 1999).

Abstract

Die Erfindung betrifft ein Verfahren zum Erstellen eines Kausalen Netzes auf Grundlage einer Wissensakquisition. Erfindungsgemäss ist vorgesehen, dass die Wissensakquisition getrennt vom Erstellen des Kausalen Netzes erfolgt und folgende Schritte umfasst: Sammeln von relevantem Wissen, und Strukturieren des gesammelten Wissens in eine strukturierte Darstellung, die soweit vollständig ist, dass das Kausale Netz mittels eines Compilers automatisch erstellt werden kann.

Description

Beschreibung
Verfahren zum Erstellen eines Kausalen Netzes auf Grundlage einer Wissensakquisition
Die Erfindung betrifft ein Verfahren zum Erstellen eines Kausalen Netzes (Bayesian Network) auf Grundlage einer Wissensakquisition.
Die Erfindung liegt demnach auf dem Gebiet der Entscheidungstheorie. Im Rahmen dieser Theorie wurde die klassische Wahrscheinlichkeitstheorie auf einen äußerst präzisen mathematischen Rahmen erweitert, um rationelle Entscheidungen mit Unterstützung von Computern treffen zu können. Kausale Netze, auch als Causal oder Bayesian Networks bezeichnet, stellen graphische Darstellungen von kausalen Beziehungen in einer Domäne dar, und für diese Netze existiert bereits eine große Anzahl an Wahrscheinlichkeitsberechnungen. Kausale Netze (beispielsweise beschrieben in F.V. Jensen: An Introduction to Bayesian Networks, UCL Press, 1996) stellen einen genauen und effizienten Rahmen beispielsweise zur Berechnung der Wahrscheinlichkeit von jeder stochastischen Variablen bei einem vorgegebenen Satz von Beobachtungen dar.
Kausale Netze kommen auf den unterschiedlichsten Gebieten zum Einsatz, beispielsweise zur Unterstützung der Entscheidung von Ärzten (s. Andreassen, M. Woldbye, B. Falck, S.K. Andersen: "MUNIN - A Causal Probabilistic Network for Interpretation of Electromyographic Findings". Proceedings of the Tenth International Joint Conference on Artificial Intelligence, Mailand, Italien, August 1987, S. 366-372; D.E. Heckerman, E.J. Horvitz, B.N. Nathwani : "Toward Normative Expert Systems: Part I. The Pathfinder Project". Methods of Information in Medicine, Band 31, 1992, S. 90-105; D.E. Heckerman, B.N. Nathwani: "Toward Normative Expert Systems: Part II. Prob- ability-Based Representations for Efficient Knowledge Acquisition and Inference". Methods of Information in Medicine, Band 31, S. 106-116; P.J.F. Lucas, H. Boot, B. Taal : "A Deci- sion-Theoretic Network Approach to Treatment Management and Prognosis". Knowledge-Based Systems, Band 11, 1998, S. 321- 330; B. Middleton, M.A. Shwe, D.E. Heckerman, M. Henrion, E.J. Horvitz, H.P. Lehmann, G.F. Cooper: "Probabilistic Diag- nosis Using a Reformulation of the INTERNIST-1/QMR Knowledge Base, II. Evaluation of Diagnostic Performance". Methods of Information in Medicine, Band 30, 1991, S. 256-267; K.G. Ole- sen, U. Kjaerulff, F. Jensen, F.V. Jensen, B. Flack, S. An- dreassen, S.K. Andersen: "A MUNIN Network for the Mediän
Nerve - A Case Study on Loops". Applied Artificial Intelli - gence, Band 3, 1989, S. 385-403; M. A. Shwe, B. Middleton, D.E. Heckerman, M. Henrion, E.J. Horvitz, H.P. Lehmann, G.F. Cooper: "Probabilistic Diagnosis Using a Reformulation of the INTERNIST-1/QMR Knowledge Base. I. The Probabilistic Model and Inference Algorithms". Methods of Information in Medi cine, Band 30, 1991, S. 241-250).
Die zur Erzeugung eines Kausalen Netzes notwendige Wissens- akquisition ist jedoch nach wie vor ein aufwendiges Unterfangen bei Anwendung auf komplexe Systeme, wie etwa auf medizinische Diagnose. Eine spezielle Schwierigkeit bei der Erstellung von Kausalen Netzen besteht dabei darin, die Wissensakquisition derart zu gestalten, dass sie von einem ma- thematischen Laien, wie beispielsweise von einem Arzt, ausreichend vollständig durchgeführt wird, um ein Kausales Netz aussagekräftig zu gestalten.
Eine Aufgabe der Erfindung besteht darin, ein Verfahren zu schaffen, durch welches ein Nutzer in die Lage versetzt wird, ein Kausales Netz auf Grundlage einer Wissensakquisition möglichst problemlos zu erstellen.
Gelöst wird diese Aufgabe durch die Merkmale des Anspruchs 1. Vorteilhafte Weiterbildungen der Erfindung sind durch die Unteransprüche angegeben. Demnach sieht die Erfindung bei dem in Rede stehenden Verfahren vor, die Wissensakquisition getrennt vom Erstellen des Kausalen Netzes durchzuführen. Insbesondere sieht die Wissensakquisition das Sammeln von relevantem Wissen unter Strukturieren des gesammelten Wissens in eine strukturierte Darstellung vor, die so weit vollständig ist, dass das Kausale Netz mittels eines Computers automatisch erstellt werden kann.
Die Erfindung beschreitet demnach einen neuen Ansatz zur Wissensakquisition und Erzeugung eines Kausalen Netzes, wobei aus dem gesammelten Wissen bevorzugt mittels einer mathematischen Methode eine Untermenge derart erzeugt wird, dass die daraus resultierende Darstellung vollständig ist.
Bevorzugt ist vorgesehen, das relevante Wissen mittels eines Software-Tools zu sammeln. Dieses Sammeln mittels des Software-Tools erfolgt bevorzugt unter Dialogführung auf einer Anzeigeeinrichtung, beispielsweise auf dem Monitor eines Com- puters, in welchem das Software-Tool implementiert ist.
Ein interessantes Anwendungsgebiet des erfindungsgemäßen Verfahrens betrifft die hierdurch mögliche Unterstützung einer medizinischen Entscheidung. In diesem Zusammenhang ist erfin- dungsgemäß bevorzugt vorgesehen, dass das Software-Tool zum Spezifizieren von Krankheiten und Befunden, von Zusammenhängen zwischen Krankheiten und Befunden und von spezifischen Randwahrscheinlichkeiten und bedingten Wahrscheinlichkeiten und dazu ausgelegt ist, sicherzustellen, dass das gesammelte Wissen derart vollständig ist, dass das Kausale Netz mittels eines Compilers automatisch erstellt werden kann. Vorteilhafterweise ist hierbei vorgesehen, dass das Softwaretool die Krankheiten und die Befunde als stochastische Variable nutzt.
Bei der vorstehend angesprochenen Unterstützung der medizinischen Entscheidung mittels des erfindungsgemäßen Verfahrens ist ferner bevorzugt vorgesehen, dass eine ausgewählte Krank- heit, ihre Randwahrscheinlichkeit sowie zusätzliche Information auf der Anzeigeeinrichtung angezeigt werden. Hierbei ist vorteilhafterweise vorgesehen, dass die zusätzliche Information fördernde und hemmende Faktoren der ausgewählten Krank- heit enthält. Zum Quantifizieren von Wirkungen der fördernden und hemmenden Faktoren ist vorteilhafterweise vorgesehen, bedingte Wahrscheinlichkeiten zu spezifizieren.
Um den Nutzer bei der Wissensakquisition zu unterstützen, ist bei dem vorstehend erläuterten Unterstützung der medizinischen Entscheidungsfindung vorgesehen, dass die Symptome einer ausgewählten Krankheit zusammen mit der bedingten Wahrscheinlichkeit, dass diese Krankheit das Symptom verursacht, auf beispielsweise einen Computermonitor angezeigt werden.
Durch die Erfinder der vorliegenden Anmeldung wurde die vorstehend im Kern erläuterte Anwendung des erfindungsgemäßen Verfahrens zur Unterstützung der medizinischen Entscheidungserfindung als Teil des sogenannten HealthMan-Projekt ent- wickelt (T. Birkhölzer, M. Haft, R. Hofmann, J. Hörn, M. Pel- legrino, V. Tresp: "Intelligent Com unication in Medical Gare". Proceedings of the Joint European Conference on Artifi cial Intelligence in Medicine and Medical Decision Making (AIMDM 99) , Aalborg, Dänemark, Juni 1999, S. 4). Dabei wird Wissen zunächst gesammelt und in eine strukturierte Darstellung unter Verwendung eines Software-Tools überführt, das auf den medizinischen Einsatz zugeschnitten ist. Dieses Software-Tool wird vorliegend auch als MedKnow bezeichnet.
Um die erfindungsgemäße Wissensakquisition zum Erstellen eines Kausalen Netzes näher zu erläutern, wird erneut Bezug genommen auf die Unterstützung der medizinischen Entscheidungsfindung im Zusammenhang mit der Zeichnung; in dieser zeigen:
Fig. 1 eine Ausführungsform einer Oberfläche (Monitoranzeige) des HealthMan-Dialog- und -Beratungssystems, Fig. 2 eine Monitordarstellung des Software-Tools MedKnow, und
Fig. 3 ein Kausales Netz für Infektionen, das durch einen Wissens-Compiler automatisch erzeugt wurde.
Das vorstehend angesprochene und in Fig. 1 in Gestalt eines beispielhaften Anamnese-Prozesses dargestellte HealthMan-Pro- jekt stellt eine Selbstdiagnose-Dienstleistung bereit, die dialoggeführt, beispielsweise mit dem Patienten, als Gesundheitsratgeber dient und damit den Mediziner hinsichtlich der Diagnose deutlich entlastet. Insbesondere sieht das HealthMan-Projekt vor, den Anamnese-Prozess des Mediziners zu emulieren, d.h., einen interaktiven Prozess auszuführen, der durch medizinisches Wissen dynamisch getrieben ist und die bereits vorliegende Information analysiert. Kausale Netze haben sich für diesen Einsatz als geeignete Technik erwiesen, weil sie in der medizinisch relevanten Richtung eine Wissens- akquisition gewährleisten, d.h., von Krankheiten zu Symptomen, und indem die bisherige Disposition für spezielle Krankheiten berücksichtigt wird. Insbesondere stellen Kausale Netzwerke (Bayesian Networks) eine korrektes Berechnungsmittel für die insbesondere der medizinischen Anamnese zugrundeliegende Unsicherheit dar. Zur Inferenz wird im Rahmen des HealthMan-Projekts die Bibliothek von HUGIN herangezogen.
Die Erfinder haben beispielhaft zum Testen des erfindungs- gemäßen Verfahrens das Szenario "anfängliche Bewertung der Ernsthaftigkeit üblicher Kinderkrankheiten" herangezogen. In Zusammenarbeit mit mehreren Pädiatern wurden Netze für mehrere Subdomänen entwickelt (beispielsweise Infektionen, Atmungssystem, Haut, Bauch, Augen, Ohren) . Das System wurde durch ein professionelles Brauchbarkeitslabor getestet und durch die Nutzer (Mütter junger Kinder) ebenso positiv aufgenommen wie durch die begleitenden Ärzte. Das vorstehend bereits angesprochene Software-Tool MedKnow ist so konzipiert, dass zum einen medizinische Experten ihr medizinisches Wissen formulieren können, ohne dass sie ein Spezialwissen bezüglich Kausale Netze und Wahrscheinlichkeitstheorie einbringen müssen, und dass zum andern gewährleistet ist, dass das erfasste Wissen in dem Sinne vollständig ist, dass das Kausale Netz automatisch bzw. von sich aus erzeugt werden kann.
Das Software-Tool MedKnow verwendet zwei Klassen von sto- chastischen Variablen: Erkrankungen und Befunde. Ein Befund kann die Rolle eines Symptoms oder die Rolle eines fördernden oder hemmenden Faktors einer Krankheit spielen. Ein Beispiel für die Akquisition des erforderlichen Wissens ist in Fig. 2 gezeigt. Im linken Teil des auf einem Computermonitor dargestellten Fensters sind sämtliche Krankheiten und Befunde aufgelistet. Im Hauptteil des Fensters ist die ausgewählte Krankheit oder der ausgewählte Befund dargestellt. Der edi- zinische Bereich von Infektionen ist vorliegend modellhaft dargestellt und die Krankheit "Masern" ist ausgewählt.
Der obere Teil des Hauptfensters zeigt die fördernden und hemmenden Faktoren, vorliegend den Kontakt zu infizierten Personen und die Immunität. Ferner müssen erforderliche Wahrscheinlichkeiten spezifiziert werden, um den Effekt der fördernden und hemmenden Faktoren zu quantifizieren. Die Bedeutung dieser erforderlichen Wahrscheinlichkeiten und die ihnen zugrundeliegenden Annahmen sind in der Anlage zur vorliegen- den Beschreibung diskutiert.
Der zentrale Teil des Hauptfensters in Fig. 2 zeigt die ausgewählte Krankheit, ihre Randwahrscheinlichkeit und zusätzliche Informationen, die im HealthMan-Projekt verwendet werden, beispielsweise die Dringlichkeit, einen Arzt zu Rate zu ziehen. Der untere Teil des Hauptfensters zeigt die Symptome der Krankheit zusammen mit der erforderlichen Wahrscheinlichkeit, dass die Erkrankung das Symptom tatsächlich verursacht.
Eine ähnliche Anzeige ist vorgesehen, wenn es um Befunde geht .
Fig. 3 zeigt die graphische Darstellung eines Kausalen Netzes für Infektionen, erzeugt durch einen Wissens-Compiler in Übereinstimmung mit dem erfindungsgemäßen Verfahren.
Die Erzeugung (vorliegend die automatische Erzeugung) eines Kausalen Netzes unter Verwendung des wie vorstehend erläutert akquirierten Wissens kann in zwei Teilaufgaben aufgeteilt werden: In das Erzeugen des Graphen (in Fig. 3 gezeigt) und in das Berechnen der erforderlichen Wahrscheinlichkeitstabellen.
Die Erzeugung der Graphen gestaltet sich relativ unkompliziert: Jede Krankheit und jeder Befund wird durch einen Kno- ten wiedergegeben und zusätzliche Knoten werden getrennt für das Sammeln fördernder Faktoren und für das Sammeln hemmender Faktoren jeder einzelnen Krankheit erzeugt. Pfeile werden von den Krankheiten zu den jeweiligen Symptomen gezeichnet, von fördernden Faktoren zu den jeweiligen Sammelknoten und von den hemmenden Faktoren zu den jeweiligen Sammelknoten sowie von den Sa melknoten zu den jeweiligen Krankheiten (siehe Fig. 3) .
Die Berechnung der erforderlichen Wahrscheinlichkeitstabellen des Kausalen Netzes beruht auf den spezifizierten Wahrscheinlichkeiten und dem Gatter-Typ. Für Befunde haben die Erfinder Gatter, wie etwa das sogenannte NoisyOR (F.V. Jensen: An Introduction to Bayesian Networks, UCL Press, 1996) , NoisyMAX und NoisyELENI (R. Lupas Scheiterer: Heal thMan Bayesian Net- work Description : Disease to Symptom Layer, Siemens AG, ZT IK 4, Interner Bericht, 1999) verwendet. Krankheiten wurden als förderndes/hemmendes Gatter modelliert (J. Hörn: Heal thMan Bayesian Network Description : Enhancing and Inhibi ting Fac- tors of Diseases . Siemens AG, ZT IK 4, Interner Bericht, 1999) .
Die Berechnung der erforderlichen Wahrscheinlichkeiten bzw. der diesbezüglichen Tabellen ist der Anlage zu dieser Figurenbeschreibung zu entnehmen.

Claims

Patentansprüche
1. Verfahren zum Erstellen eines Kausalen Netzes auf Grundlage einer Wissensakquisition, d a d u r c h g e k e n n z e i c h n e t, dass die Wissensakquisition getrennt vom Erstellen des Kausalen Netzes erfolgt und folgende Schritte umfasst: Sammeln von relevantem Wissen, und
Strukturieren des gesammelten Wissens in eine strukturierte Darstellung, die soweit vollständig ist, dass das Kausale Netz mittels eines Compilers automatisch erstellt werden kann.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass aus dem gesammelten Wissen mittels einer mathematischen Methode eine Untermenge derart erzeugt wird, dass die daraus resultierende Darstellung vollständig ist.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeich- net, dass das relevante Wissen mittels eines Software-Tools gesammelt wird.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass das relevante Wissen mittels des Software-Tools unter Dialog- führung auf einer Anzeigeeinrichtung gesammelt wird.
5. Verfahren nach Anspruch 4, bei dem Wissen auf medizinischem Gebiet gesammelt wird, dadurch gekennzeichnet, dass das Software-Tool zum Spezifizieren von Krankheiten und Be- funden, von Zusammenhängen zwischen Krankheiten und Befunden und von spezifischen Randwahrscheinlichkeiten und bedingten Wahrscheinlichkeiten und dazu ausgelegt ist, sicherzustellen, dass das gesammelte Wissen derart vollständig ist, dass das Kausale Netz mittels eines Compilers automatisch erstellt werden kann.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass das Software-Tool die Krankheiten und die Befunde als sto- chastische Variable nutzt.
7. Verfahren nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass eine ausgewählte Krankheit, ihre Randwahrscheinlichkeit sowie zusätzliche Information auf der Anzeigeeinrichtung angezeigt werden.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass die zusätzliche Information fördernde und hemmende Faktoren der ausgewählten Krankheit enthält.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass zum Quantifizieren von Wirkungen der fördernden und hemmenden
Faktoren bedingte Wahrscheinlichkeiten spezifiziert werden.
10. Verfahren nach einem der Ansprüche 5 bis 9, dadurch gekennzeichnet, dass die Symptome einer ausgewählten Krankheit zusammen mit der bedingten Wahrscheinlichkeit, dass diese Krankheit das Symptom verursacht, angezeigt werden.
PCT/DE2002/002280 2001-07-03 2002-06-21 Verfahren zum erstellen eines kausalen netzes auf grundlage einer wissensakquisition WO2003005297A2 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US10/482,657 US20040153429A1 (en) 2001-07-03 2002-06-21 Method for creating a knowledge-based causal network
EP02752975A EP1433130A2 (de) 2001-07-03 2002-06-21 Verfahren zum erstellen eines kausalen netzes auf grundlage einer wissensakquisition

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE10132014A DE10132014A1 (de) 2001-07-03 2001-07-03 Verfahren zum Erstellen eines Kausalen Netzes auf Grundlage einer Wissensakquisition
DE10132014.0 2001-07-03

Publications (2)

Publication Number Publication Date
WO2003005297A2 true WO2003005297A2 (de) 2003-01-16
WO2003005297A3 WO2003005297A3 (de) 2004-04-22

Family

ID=7690327

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2002/002280 WO2003005297A2 (de) 2001-07-03 2002-06-21 Verfahren zum erstellen eines kausalen netzes auf grundlage einer wissensakquisition

Country Status (4)

Country Link
US (1) US20040153429A1 (de)
EP (1) EP1433130A2 (de)
DE (1) DE10132014A1 (de)
WO (1) WO2003005297A2 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004033614A1 (de) * 2004-07-12 2006-02-09 Emedics Gmbh Einrichtung und Verfahren zum Abschätzen einer Auftretenswahrscheinlichkeit einer Gesundheitsstörung

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005031591A1 (en) 2003-09-30 2005-04-07 Intel Corporation Most probable explanation generation for a dynamic bayesian network
WO2007134495A1 (fr) * 2006-05-16 2007-11-29 Zhan Zhang Procédé de construction de système intelligent traitant une information de relation causale incertaine
WO2008067852A1 (en) * 2006-12-07 2008-06-12 Telefonaktiebolaget L M Ericsson (Publ) Arrangement and method for network management
US8239167B2 (en) * 2007-10-19 2012-08-07 Oracle International Corporation Gathering context information used for activation of contextual dumping
US8140898B2 (en) * 2009-06-16 2012-03-20 Oracle International Corporation Techniques for gathering evidence for performing diagnostics
US8171343B2 (en) 2009-06-16 2012-05-01 Oracle International Corporation Techniques for determining models for performing diagnostics
US8417656B2 (en) * 2009-06-16 2013-04-09 Oracle International Corporation Techniques for building an aggregate model for performing diagnostics
US8612377B2 (en) * 2009-12-17 2013-12-17 Oracle International Corporation Techniques for generating diagnostic results
CN103745261B (zh) * 2013-12-24 2015-04-15 张湛 一种构造立体ducg智能系统用于动态故障诊断的方法
CN107944562B (zh) * 2017-10-17 2019-07-05 北京清睿智能科技有限公司 一种扩展的处理不确定因果关系类信息的智能系统的构造方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0519096A1 (de) * 1991-06-18 1992-12-23 Siemens Aktiengesellschaft Wissensbasiertes Diagnosesystem mit graphischer Wissensakquisitionskomponente

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4771792A (en) * 1985-02-19 1988-09-20 Seale Joseph B Non-invasive determination of mechanical characteristics in the body
US6208955B1 (en) * 1998-06-12 2001-03-27 Rockwell Science Center, Llc Distributed maintenance system based on causal networks

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0519096A1 (de) * 1991-06-18 1992-12-23 Siemens Aktiengesellschaft Wissensbasiertes Diagnosesystem mit graphischer Wissensakquisitionskomponente

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HORN J ET AL: "Knowledge acquisition and automated generation of Bayesian networks for a medical dialogue and advisory system" ARTIFICIAL INTELLIGENCE IN MEDICINE. 8TH CONFERENCE ON ARTIFICIAL INTELLIGENCE IN MEDICINE IN EUROPE, AIME 2001. PROCEEDINGS (LECTURE NOTES IN ARTIFICIAL INTELLIGENCE VOL.2101), ARTIFICIAL INTELLIGENCE IN MEDICINE. 8TH CONFERENCE ON ARTIFICIAL INTELL, 3. Juli 2001 (2001-07-03), Seiten 199-202, XP002269791 2001, Berlin, Germany, Springer-Verlag, Germany ISBN: 3-540-42294-3 *
JENSEN F V: "BAYESIAN NETWORKS BASICS" AISB QUARTERLY, SL, GB, Nr. 94, 21. Dezember 1995 (1995-12-21), Seiten 9-22, XP008005479 ISSN: 0268-4179 *
JOHNSON G JR ET AL: "Generalizing knowledge representation rules for acquiring and validating uncertain knowledge" FLAIRS-2000. PROCEEDINGS OF THE THIRTEENTH INTERNATIONAL FLORIDA ARTIFICIAL INTELLIGENCE RESEARCH SOCIETY CONFERENCE, FLAIRS 2000: 13TH INTERNATIONAL FLAIRS CONFERENCE, ORLANDO, FL, USA, 22-24 MAY 2000, Seiten 186-190, XP008027556 2000, Menlo Park, CA, USA, AAAI Press, USA *
SCHMIDT ET AL: "Intelligent dialogues in home health care" ISCB-GMDS-99, [Online] 16. September 1999 (1999-09-16), Seite 1 XP002269792 Gefunden im Internet: <URL:http://www.dkfz-heidelberg.de/biostat istics/iscb-gmds-99/abstracts/10366.pdf> [gefunden am 2004-02-06] *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004033614A1 (de) * 2004-07-12 2006-02-09 Emedics Gmbh Einrichtung und Verfahren zum Abschätzen einer Auftretenswahrscheinlichkeit einer Gesundheitsstörung

Also Published As

Publication number Publication date
EP1433130A2 (de) 2004-06-30
DE10132014A1 (de) 2003-01-23
US20040153429A1 (en) 2004-08-05
WO2003005297A3 (de) 2004-04-22

Similar Documents

Publication Publication Date Title
Elstein et al. Psychology of clinical reasoning
DE112019000747T5 (de) Einer erkrankung und/oder behandlung eines patienten zugehörige augmented-reality-vorlage
EP1433130A2 (de) Verfahren zum erstellen eines kausalen netzes auf grundlage einer wissensakquisition
DE112019001136T5 (de) Analyse unerwünschter arzneimittelwirkungen
Berg Formal tools and medical practices: Getting computer-based decision techniques to work
DE3833617A1 (de) Hilfsgeraet fuer die diagnose von erkrankungen der herzgefaesse und des lungenadersystems
KR20200022113A (ko) 한방 진단 처방 및 건강 코디네이터 서비스 시스템 및 방법
Krutanard et al. Discovering organizational process models of resources in a hospital using Role Hierarchy Miner
De Vries et al. An overview of medical expert systems
EP3739592A1 (de) Dezentralisiert gesteuerte bildgebungsbasierte patientendatengewinnung
CN110752017B (zh) 一种基于深度学习的社区医生调度方法及系统
Nikiforidis et al. Expert system support using Bayesian belief networks in the prognosis of head-injured patients of the ICU
Marakakis et al. Meta-rules and uncertain reasoning for diagnosis of epilepsy in childhood
Hosseinzadeh A rule-based system for vital sign monitoring in intensive care
EP1501030A1 (de) Einrichtung für den Import eines maschinenlesbaren Datenmodells, insbesondere medizinischer Leitlinien in ein Workflow-Mangement-System
Marakakis et al. An expert system for epilepsy with uncertainty
DE102007014970B3 (de) Konfiguration von medizintechnischen Prozessen
CN108550380A (zh) 一种基于公共网络的药品安全信息监测方法和装置
Clarke The application of decision analysis to clinical medicine
Derni et al. An Advanced Heuristic Approach for the Optimization of Patient Flow in Hospital Emergency Department
Ivanovic et al. Role of case-based reasoning in neurology decision support
Hudson et al. Use of intelligent agents to include signal analysis data
Harahap et al. Monitoring patient health based on medical records using fuzzy logic method
Rodas et al. Knowledge discovery in repeated very short serial measurements with a blocking factor. Application to a psychiatric domain
Ceglowski et al. Combining data mining and discrete event simulation for a value-added view of a hospital emergency department

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A2

Designated state(s): US

AL Designated countries for regional patents

Kind code of ref document: A2

Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE TR

121 Ep: the epo has been informed by wipo that ep was designated in this application
DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
WWE Wipo information: entry into national phase

Ref document number: 2002752975

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 10482657

Country of ref document: US

WWP Wipo information: published in national office

Ref document number: 2002752975

Country of ref document: EP

WWW Wipo information: withdrawn in national office

Ref document number: 2002752975

Country of ref document: EP