Просмотр исходного текста страницы Как анализировать данные о COVID-19 с помощью ДСМ-системы

== Возможные предложения для использования ДСМ-метода автоматизированной поддержки исследований для интеллектуального анализа данных о COVID-19 ==

ДСМ-метод автоматизированной поддержки исследований является методологией создания интеллектуальных систем и средством формализации, имитации и усиления интеллектуальных процессов.

Интеллектуальные системы типа ДСМ (ИС-ДСМ) позволяют на основе ДСМ-рассуждений осуществлять исследования в эмпирических областях с плохо формализованными знаниями и допускающими структурное представление данными.

''ДСМ-рассуждения'' являются синтезом познавательных процедур – индукции (порождение гипотез о причинах исследуемых эффектов) – аналогии (порождение гипотез о предсказаниях исследуемых эффектов) – абдукции (принятие гипотез посредством объяснения базы имеющихся фактов). Индуктивные процедуры ДСМ-метода представляют собой формализации уточнений и расширений индуктивных методов Д.С. Милля [1, 2].

ДСМ-исследования – применение ДСМ-рассуждений для последовательностей расширяемых баз фактов – предназначены для обнаружения ''эмпирических закономерностей'' (законов и тенденций – ЭЗ и ЭТ), представленных сохраняющимися при расширениях гипотезами о причинах и соответствующими гипотезами о предсказаниях [3].

ИС-ДСМ требуют разработки специальной архитектуры: База фактов (БФ) и База знаний (БЗ) + Решатель задач + пользовательский интерфейс.

''Решатель задач'' = ''Рассуждатель'' (реализующий ДСМ-рассуждение и применяемый для ДСМ-исследований, которые пополняют БЗ при расширении БФ) + ''Вычислитель'' (реализующий вычислительные процедуры) + ''Синтезатор'' (отвечающий за синтез стратегий рассуждения).

Пользовательский интерфейс позволяет адаптировать ИС-ДСМ к требованиям специалистов заданной предметной области.

Успешная реализация ДСМ-исследования возможна при наличии эмпирических данных, удовлетворяющих следующим условиям:
    • БФ представлена позитивными фактами ((+)-фактами) – примерами наличия изучаемых эффектов – и негативными фактами ((–)-фактов), характеризующимися отсутствием таких эффектов.
    • В БФ в неявном виде содержатся (+)- и (–)-эмпирические зависимости причинно-следственного типа ((+)- и (–)-причин).
    • Сходство (+)- и (–)-фактов должно быть формализуемо.

Использование ИС-ДСМ доказало свою применимость и полезность при решении задач в науках о жизни и социальном поведении, в т.ч. – медицине [1, 4]. Соответственно, ДСМ-метод может быть полезным инструментом при изучении COVID-19.

При этом существенным для эффективного применения является решение проблемы адекватного представления данных и описания исследуемых эффектов.

Для интеллектуального анализа данных о COVID-19 следует использовать истории болезни пациентов, что позволяет формировать гипотезы о потенциальных причинах и предсказании таких эффектов как а) летальный исход, б) тяжёлое течение болезни с использованием ИВЛ и последующим выздоровлением, в) нетяжёлое течение болезни и выздоровление.

В описании пациента, помимо иных существенных с медицинской точки зрения параметров, следует включать возраст (с 10-летним пошаговым разбиением), сопутствующие заболевания, иммунный статус и характер терапии. Иммунный статус может рассматриваться как параметр, тормозящий возможное негативное развитие заболевания при наличии факторов, способствующих такому развитию. Иными словами, средствами ДСМ-метода могут выявляться тернарные причинно-следственные зависимости типа <<причина эффекта, тормоз причины, эффект>>.

Динамический мониторинг состояния пациента и направленное расширение имеющегося массива историй болезни позволит обнаружить закономерности течения заболевания и предсказать изменение состояния вновь поступивших пациентов. Верификация полученных результатов осуществляется на основе ретроспективной проверки правильных предсказаний (определений) имеющихся в БФ эффектов.

На основе выявленных закономерностей могут быть выработаны индивидуальные рекомендации по оптимальному ведению пациента для достижения выздоровления и прогнозированию и формированию групп риска.

Некоторые публикации

    1. Автоматическое порождение гипотез в интеллектуальных системах. Под общ. ред. В.К. Финна. — М.: Книжный дом «ЛИБРОКОМ», 2020 (изд. 2-е стереотип.). — 528 с.
    2. ДСМ-метод автоматического порождения гипотез: Логические и эпистемологические основания. Под общ. ред. О.М. Аншакова. — М.: Книжный дом «ЛИБРОКОМ», 2009. — 432 с.
    3. Финн В.К. Об эвристиках ДСМ-исследований (дополнения к статьям) // Научно-техническая информация. Серия 2. Информационные процессы и системы. — 2019. — №10, с. 1-34.
    4. Шестерникова О.П., Финн В.К., Винокурова Л.В., Лесько К.А., Варварина Г.Г., Тюляева Е.Ю. Интеллектуальная система диагностики заболеваний поджелудочной железы // Научно-техническая информация. Серия 2. — 2019. — №10. — С. 41-48.