Inteligencia artificial salud
Upcoming SlideShare
Loading in...5
×
 

Inteligencia artificial salud

on

  • 7,895 views

 

Statistics

Views

Total Views
7,895
Views on SlideShare
7,859
Embed Views
36

Actions

Likes
1
Downloads
226
Comments
0

1 Embed 36

http://www.slideshare.net 36

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Inteligencia artificial salud Inteligencia artificial salud Presentation Transcript

  • INTELIGENCIA ARTIFICIAL EN MEDICINA Y SALUD PUBLICA Segundo CruzBejarano Hospital Belén Facultad de Medicina – UNT Trujillo – Perú 2003 Congreso Regional de Medicina Trujillo – Perú Octubre 2003
  • AGENDA
    • CONTEXTO
    • CONCEPTOS SOBRE INTELIGENCIA ARTIFICIAL
    • APLICACIÓN EN MEDICINA y SALUD PUBLICA
  • MEDICINA DIAGNOSTICO TRATAMIENTO
    • Observación
    • Elaboración de datos
    • Planteamiento hipótesis
    • Verificación de hipótesis:
      • Procedimientos diagnósticos
    • Toma de decisiones
    • Procedimientos terapéuticos
  • OBSERVACION DATOS HIPOTESIS OBSERVACION HIPOTESIS CONFIRMADA TEORIA INFERENCIA INFERENCIA INFERENCIA
  •  
  • SALUD PUBLICA Identificación y priorización de Problemas Elaboración de planes Ejecución de planes Evaluación de las intervenciones
  • Decisiones en salud pública Administración estratégica Administración táctica Administración operativa decisiones información Características decisiones No estructuradas Semi-estructuradas estructuradas
    • Proceso de tomar decisiones
    Definir problema Tomar información Identificar alternativas Evaluar alternativas Seleccionar alternativas Implementar alternativas Monitorear resultados
  • ¿QUE ES INTELIGENCIA ARTIFICIAL?
  • ¿ 1x1? =...
  • ¿1x1?... Grr.....
  • 1x1=1 ¡¡qué fácil!!
  • ¿234,567.8 x 345,687 ? =...
  • hmm... Uff... 81,087,039,078.6
  • AUTOMATIZACION DE LA INFORMACION
  • SADUCI . Sistema de Ayuda a la Dirección de una Unidad de Cuidados Intensivos . Permite conocer el movimiento de pacientes ingresados en la UCI, clasificándolos por diferentes variables y usando el codificador de enfermedades de la OMS.
  • APACHEII . Acute Physiology and Chronic Health Evaluation Automatizado Sistema automatizado para el cálculo del índice de gravedad basado en las desviaciones de las variables fisiológicas claves del paciente [APACHE II de Knaus et al], usado para pronosticar su riesgo de muerte y estratificar grupos de riesgo.
  • TISS . Therapeutic Intervention Scoring System Automatizado. Sistema automatizado para la valoración del paciente en base a las intervenciones terapéuticas que se le aplican [TISS de Cullen et al], con el objetivo de valorar su estado y distribuir óptimamente los recursos humanos dedicados a su atención.
  • ASMA . Tratamiento del Asma y la Enfermedad Pulmonar Obstructiva Crónica. (EPOC) Proporciona el tratamiento completo que incluye entre otros las dosis de medicamentos, volumen de líquido a administrar y medidas terapéuticas específicas para pacientes asmáticos o con EPOC.
  •  
  • Ventajas obtenidas
    • Aumento de la calidad de la Asistencia Médica
    • Aumento de la Eficiencia
    • Disminución de los Costos
    • Mejoras en la docencia e Investigación
  • ¡Hay mucha incertidumbre! ¿qué hacer?...
  • ¡tengo que Usar mi Inteligencia!
  • mmm...pero hay... mucha información o poca información
  • Necesito ayuda...
  • ¡¡Si pudiera utilizar todo mi cerebro...
  • Pero...tengo un límite...
  • ¿ Quién podrá ayudarme?...
  • ¡¡¡YO... Inteligencia Artificial!!!
  • Comportamiento inteligente
    • Señales de inteligencia:
      • Aprender o entender a partir de la experiencia.
      • Dar sentido a mensajes ambigüos o contradictorios.
      • responder rápidamente y con éxito frente a una situación nueva (flexibilidad).
  • Comportamiento Inteligente
      • Usar raciocinio para solucionar problemas.
      • Lidiar con situaciones de perplejidad.
      • Entender e inferir de modo común, racional.
      • Adquirir y aplicar conocimiento
      • Pensar y razonar
      • Reconocer la importancia relativa de diferentes elementos dentro de una situación.
  • RAZONAMIENTOS.
    • El razonamiento cotidiano es de naturaleza aproximada.
    • Ejemplos:
      • Encontrar un lugar donde estacionar tu carro.
      • Localización de una llamada telefónica.
      • Escoger cual ruta debes tomar para llegar a tu destino lo mas pronto posible.
      • Cruzar la calle.
      • Donde desayunar.
  • ¿Qué es IA?
    • Mecanización de los procesos del razonamiento.
  • Objetivo de IA
    • Desarrollar máquinas que simulen el comportamiento inteligente: hablar y comprender
  • INTELIGENCIA NATURAL
    • Es creativa
    • Permite a las personas beneficiarse y usar experiencias sensoriales.
    • El raciocinio humano da uso de la experiencia en un contexto amplio
  • INTELIGENCIA ARTIFICIAL
    • Más permanente
    • Fácil de duplicar y diseminar
    • Puede ser menos cara
    • Es más consistente
    • Puede ser documentada
  • Historia de IA
    • Warren McCulloch y Walter Pitts (1943) desarrollaron modelos neuronas artificiales.
    • Claude Shannon (1950) y Alan Turing (1953) desarrollaron programas de ajedrez
    • John McCarthy, Marvin Minsky, Shannon y Nathaniel Rochester - redes neurales y el estudio de la inteligencia.
  • Historia de IA
    • McCarthy (1958) escribió un lenguaje de alto nivel de programación 'LISP' .
    • Allen Newell y Herbert Simon desarrollaron “solucionador problemas generales”
    • MYCIN : diagnóstico de infecciones sanguíneas
    • Muchos otros algoritmos.
  • Test de Turing
    • Alan M. Turing
    En 1950 Turing publicó en la revista Mind el artículo “Computing Machinery and Intelligence” en el que proponía un test para decidir si es razonable creer que una máquina pueda “pensar”. El test está basado en el juego de la imitación y consiste en encerrar en dos habitaciones a la máquina y a una persona. Éstas pueden comunicarse con una tercera persona que hace de juez. Si el juez no es capaz de distinguir cuál es humano se debe concluir que la máquina puede pensar
  • TEST TURING El Test de Turing
  • SISTEMAS INTELIGENCIA ARTIFICIAL (SIA)
    • Personas, procesos, hardware, software, datos y conocimiento necesario para desarrollar sistemas de computación y maquinas que demuestren características de inteligencia.
  • IA Robótica Sistema visión Sistema aprendizaje Procesamiento Lenguaje natural Red Neural Sistema Experto
  • Dimensiones y abordaje Pensando haciendo Como humanos Racionalmente “ la automatización de actividades que los asociamos con el pensamiento humano “ el arte de crear máquinas que realizan funciones que requieren inteligencia cuando son realizadas por personas “ el estudio de facultades mentales a través del uso de modelos computacionales “ la rama de la ciencia de la computación que estudia la automatización del comportamiento inteligente”
  • Dimensiones y abordajes IA Sistemas basados em Redes Neurales Redes Bayesianas Algoritmos genéticos Sistemas expertos Sistemas Nebulosos (fuzzy) Sistemas de Aprendizaje en simbólica inductiva Conocimiento intencional (reglas) Conocimiento extencional (ejemplos) simbólico numérico Sistemas basados em casos Robots
  • Computación Convencional y Computación en IA
    • Computación Convencional
      • Informa al computador como resolver un problema
      • Basada en algoritmos
    • Computación en IA
      • Es dado al computador conocimiento sobre un determinado dominio + capacidad de inferencia
      • El programa determina el procedimiento específico para generar una solución.
  • ARQUITECTURA CLASICA Input Programa y dato Output
  • ARQUITECTURA IA Base conocimiento Inferencia En la base Mecanismo Inferencia Externa Ingreso de solicitud Este bloque puede Ser removido o modificado
  • Paralelismo entre procesamiento humano y artificial Input Conoc. reprod Inferencia Output sentidos conocimiento razonamiento Decisiones artificial humano
  • Inteligencia Artificial Representación del Conocimiento y Modelos de Razonamiento Modelos Simbólicos Reglas de Producción (Sistemas Expertos) Incertidumbre (Fuzzy Control) Modelos Conexionistas Redes Neuronales Artificiales
  • Sistemas expertos
    • Programas de ordenador diseñados para actuar como un especialista humano en un dominio particular o área de conocimiento.
    • Intermediarios entre el experto humano , que transmite su conocimiento al sistema, y el usuario que lo utiliza para resolver un problema con la eficacia del especialista.
    • El sistema experto utilizará para ello el conocimiento que tenga almacenado y algunos métodos de inferencia
  • Características
    • La característica fundamental de un sistema experto es que separa los conocimientos almacenados ( base de conocimiento ) del programa que los controla ( motor de inferencia).
    • Los datos propios de un determinado problema se almacenan en una base de datos aparte ( base de hechos).
    • Una característica adicional deseable, y a veces fundamental, es que el sistema sea capaz de justificar su propia línea de razonamiento de forma inteligible por el usuario.
  • Sistema clásico VS Experto SISTEMA CLÁSICO SISTEMA EXPERTO Conocimiento y procesamiento combinados en un programa Base de conocimiento separada del mecanismo de procesamiento No contiene errores Puede contener errores No da explicaciones, los datos sólo se usan o escriben Una parte del sistema experto la forma el módulo de explicación Los cambios son tediosos Los cambios en las reglas son fáciles El sistema sólo opera completo El sistema puede funcionar con pocas reglas Se ejecuta paso a paso La ejecución usa heurísticas y lógica Necesita información completa para operar Puede operar con información incompleta Representa y usa datos Representa y usa conocimiento
  • SISTEMA EXPERTOS
    • PUEDE…
      • Explicar su razonamiento o sugiere decisiones
      • Muestra conducta inteligente
      • Saca conclusiones de complejas relaciones
      • Provee conocimiento portátil
  • Capacidades de SE Escenario objetivos estratégicos Toma decisiones Planeamiento Diseño Monitoreo y control de calidad Diagnóstico Explora impacto de objetivos estratégicos Impacto de planes sobre recursos Principios de diseño general integrado Provee consejos sobre decisiones Monitorear calidad y asistir en mejoramiento Buscar causas y soluciones
  • Sistema Experto Experto en dominio Ingeniero conocimiento Usuario de conocimiento
  • Componentes de SE El Sistema Experto Base conocimiento usuario Estación de trabajo Consulta experto Programa Interfase usuario Programa Mecanismo inferencia Desarrollo sistema experto Estación trabajo Ingenieria conocimiento Programa Adquisición conocimiento Experto y/o Ingeniero conocimiento
  • RED NEURAL: Neurona biológica
  • Neurona artificial
  • Estructura de la red
  • RED NEURAL
    • Compuestas de un gran número elementos de procesamiento profundamente interconectados (Neuronas) trabajando simultáneamente para la solución de problemas específicos.
    • Como las personas, aprenden de la experiencia.
  • RED NEURAL
    • Se trata de una nueva forma de computo, que es capaz de manejar las imprecisiones e incertidumbres que aparecen cuando se trata de resolver problemas relacionados con el mundo real , ofreciendo soluciones precisas y de fácil implementación.
  • Aplicaciones
    • Procesamiento del lenguaje natural
    • Compresión de imágenes
    • Reconocimiento de caracteres
    • Reconocimiento de patrones e imágenes
    • Procesamiento de señales
  • LOGICA DIFUSA
  • LOGICA DIFUSA
    • Descansa en la idea que en un instante dado, no es posible precisar el valor de una variable X , sino tan solo conocer el grado de pertenencia a cada uno de los conjuntos en que se ha participado el rango de variación de la variable.
    • El grado de pertenencia se cuantifica mediante la función de pertenencia f , que normalmente se escoge de una forma trapezoide.
  • Conjuntos Difusos
    • Conjuntos con límites imprecisos.
    Altura(m) 1.75 1.0 Conjunto “clásico” 1.0 Función de pertenencia Altura (m) 1.60 1.75 .5 .9 Conjunto Difuso A = Conjunto de personas altas. .8 1.70
  •  
  • Desarrollos notables de la lógica difusa
    • 1965 Fuzzy set (Prof.. Lotti A. Zadeh, UCB)
    • 1966 Fuzzy Logic (Dr.. Peter N. Marinos, Bell Labs.)
    • 1972 Fuzzy Measure (Prof.. Michino Sugeno, TIT)
    • 1974 Fuzzy Logic Controller for Steam Engine (Prof.. E.H. Mamdani, Queen Mary College, London Univ.)
    • 1980 Control of Cement-Kiln with Monitor Capability
    • (F.L. Smidth, Denmark)
    • 1987 Automatic Train Operation for Sendal Subway
    • (Hitachi)
    • 1988 Stock Trading Expert System (Yamaichi Sequrity)
    • 1989 Life (Laboratory for Internacional Fuzzy Engineering)
  •  
  • Para qué es usada la lógica difusa?.
    • Comúnmente se usa para toma de decisiones en presencia de datos o conocimientos inciertos.
    • Reconocimiento de patrones ambiguos .
    • Como un componente de sistemas expertos difusos
  • Bondades de los sistemas expertos difusos (SED)
    • Tiene una buena correspondencia a la forma del pensamiento humano sobre una gran clase de problemas matemáticos.
    • Los sistemas expertos difusos se ejecutan rápidamente sobre computadoras convencionales.
    • Los sistemas expertos difusos los ejecutan a velocidades extremadamente alta sobre hardware especializado.
  • Aplicaciones de lógica difusa.
    • Nivel uno - control mediante lógica difusa.
    • Reemplazar un operador humano por un sistema de difuso basado en reglas.
    • Metro Sendai (Hitachi)
    • Cemento Kiln (F.L. Smidth)
    • Control de elevador (Fujitec, Hitachi, Toshiba)
    • Carro de Sugeno
    • Robot de Hirota
    • Péndulo invertido de Yamakawua.
    • Reactor nuclear (Hitachi, Bernard)
    • Transmisión automática (Nissan, Subaru)
    • Control Bulldozer (Terano)
    • Producción de ethanol (Filev)
  • Aplicaciones de la lógica difusa Nivel dos: Análisis de decisión basado en lógica difusa Reemplazo de un operador humano por un sistema experto basado en lógica difusa Medicina ((CADAG, Adlssnig), Arita, OMRON) Seguridad (Yamaichi, Hitachi) Comprobante de crédito (Zimmermann) Asignación de daños (Yao, Hadipriono) Diagnostico de fallas (Guangzhou) Planeación de producción (Turksen)
  • APLICACIONES
    • Productos al consumidor
    • Lavadoras
    • Hornos de microondas
    • Procesadores de arroz
    • Limpiadores al vacío
    • Cámaras de video
    • Televisores
    • Sistemas térmicos
    • Traductores
    • Sistemas
    • Elevadores
    • Trenes
    • Automóviles
    • (máquinas, transmisiones, frenos)
    • controles de tráfico
    • Sotfware
    • Diagnóstico Médico
    • Seguridad
    • Compresión de datos
  •  
  • Exactitud red neural en Dg 75 84 77 75 0.82 79 81 88 80 97 66 77 0.82 74 84 99 Cáncer mama Infarto miocardio Traumatismo craneal Diabetes Resultado UCI Hepatitis Cáncer ovario Clasificación tumor OTRO RED NEURAL AREA
  • SISTEMAS IA
    • MYCIN : U. Stanford Medicina. Infecciones en la sangre
    • INTERNIST / CADUCEUS : U. Pittsburgh Medicina interna.
    • CASNET : U. Rutges Diagnóstico del Glaucoma
    • PUFF: SRI-Stanford Diagnóstico de enfermedades pulmonares. Basado en Mycin
    • ARCA - Sistema Pericial para diagnóstico de arritmias cardíacas [Rocha-91]
      • Toma como entrada el resultado original de un sistema de procesamiento de señal ligado a un ECG.
    • TARCA - Sistema Pericial de planeamento de terapias para arritmias cardíacas [Silva-96]
      • Utiliza raciocinio probabilístico.
    • Incubadora de cuidados intensivos controlada con lógica difusa (Argentina, 2000)
    • Lógica difusa para el diseño de estrategias de vacunación contra el sarampión (Brazil, 1997).
    • Lógica borrosa para la clasificación diagnóstica en cuidados intensivos (España)
  • CASO
    • PVR = 9.7 wood
    • SPAP = 28 mmHg
    • MPAP = 26.7 mmHg
    • PCWP = 16 mmHg
    • TPG = MPAP – PCWP = 10.7 mmHg
    • DPAP = 26 mmHg
    • TPDG = DPAP – PCWP = 10mmHg
  • CASO
    • Según algoritmo anterior: presencia de Hipertensión Pulmonar Mixta
    • Con el enfoque borroso:
      • Hipertensión pulmonar mixta = 0.67
      • Hipertensión pulmonar cinética = 0.33
  • WILLAQ Sistema Experto Materno - Perinatal é Infantil E l I n t é r p r e t e
  • Metas del proyecto
    • Solución de casos específicos en zonas remotas
    • Consulta de casos
    • Bajar el índice de casos sin diagnóstico
    • Identificar los nuevos trastornos
  • Metas del proyecto
    • Retroalimentación del Médico General, preparándolo constantemente para la recertificación.
    • Apoyar al Médico General, Obstetriz o Enfermera en el diagnóstico de enfermedades o trastornos comunes y poco comunes.