تاریخچه سیستمهای پشتیبان تصمیم­گیری در پزشکی در حقیقت تاریخچه همکاریهای متقابل پزشکان و ریاضیدانان می­باشد. به مجرد پیدایش کامپیوترهای الکترونیکی در سالهای ۱۹۵۰-۱۹۶۰میلادی، نخستین سیستمهای پشتیبان تصمیم­گیری در پزشکی با اهداف گوناگون بهداشتی پا به عرصه وجود نهادند. در نخستین مقاله­ای که در این زمینه در سال ۱۹۵۹میلادی منتشر شد،لدلی[1] و لاستد[2]اعلام نمودند که پزشکان معمولا اگاهی چندانی از چگونگی حل مسایل تشخیصی دارا نمی­باشند. همچنین انها اظهار داشتند که برای مدلسازی پروسه تشخیص پزشکی هم قوانین منطقی (نظیر نظریه مجموعه­ها و جبر بولی) و هم محاسبات استدلالی (نظیر قوانین بیز) مورد نیاز خواهد بود. متعاقب این تحقیق، سیستمهای منطقی که بر اساس پرسشهای هوشمند به تمایز میان گزینه­های مانعه­الجمع می­پرداختند، توسطبلیچ[3] و همکارانش پا به عرصه وجود نهادند. لازم به ذکر است در ان زمان کلیه سیستمهای پشتیبان تصمیم­گیری در پزشکی تنها می­توانستند در حوزه­های کاملا محدود  و به ویژه در مواردی که یقینا فقط یک بیماری باعث بروز نشانه­ها می­شد، به کار بپردازند؛ در حالیکه در عمل معمولا چندین بیماری در ان واحد در شخص بیمار با یکدیگر تداخل دارند. در سال ۱۹۶۱میلادی نیز وارنر[4]  و همکارانش یکی از نخستین سیستمهای پشتیبان تصمیم­گیری در پزشکی را که بر اساس قوانین بیز به کار         می­پرداخت، طراحی و راه­اندازی نمودند؛ البته نخستین سیستم واقعی پشتیبان تصمیم­گیری در پزشکی که          براساس قوانین بیز طراحی شده بود و در عمل نیز در بسیاری از پایگاههای بهداشتی به کار گرفته شد، سیستمی بود که توسطدامبل[5] برای تشخیص دردهای حاد شکمی ارایه شد.

به دلیل فناوری موجود در کامپیوترهای سالهای ۱۹۵۰-۱۹۶۰که نرم افزارهای پشتیبان تصمیم­گیری در پزشکی می­بایست بر روی انها راه اندازی شوند، این سیستمها در ان زمان در دو شاخه مجزا از یکدیگر توسعه یافته بودند: قیاسی و احتمالاتی؛ اما نزدیک به دو دهه بعد از نخستین تلاشهای انجام­گرفته در این زمینه، Szolovits وPauker با بررسی عمیق­تر ریشه­های فلسفی این دو روش استدلال، روش سومی را که با حفظ ویژگیهای ممتاز این دو روش از هویت خاص خود نیز برخوردار بود، پیشنهاد نمودند. این روش، هیوریستیک  نام داشت. برنامهHEME که برای تشخیص بیماریهای هماتولوژیک به کار می­رفت، یکی از نخستین سیستمهایی بود که از این روش استفاده نمود. در ادامه کاربردهای این روش، گری[6] یکی از پیشتازان کاربرد روش هیوریستیک در سیستمهای پشتیبان تصمیم­گیری در پزشکی- در طی یک مقاله کلاسیک که در سال ۱۹۶۸منتشر نمود، اصول کلی حاکم بر سیستمهای خبره پشتیبان تصمیم­گیری در پزشکی را تبیین نمود. این اصول در سالهای ۱۹۷۰تا ۱۹۸۰اساس عملکرد بسیاری از سیستمهای پشتیبان تصمیم­گیری در پزشکی را تشکیل دادند. در این مقاله، گری،تعریفی رسمی از مساله تشخیص پزشکی را ارایه نمود. وی همچنین تفاوتهای مابین ارزش اطلاعات، هزینه های اقتصادی، و خطرات ناشی از انجام تستهای تشخیصی را نشان داد و مساله «چند-تشخیصی» را که به هنگام مواجهه سیستم با بیماران دارای چندین بیماری همزمان روی می­دهد، توصیف نمود. مقاله گری در حقیقت تئوری بسیاری از سیستمهای پشتیبان تصمیم­گیری در پزشکی نظیرPIP، MEDITEL، Internist-1، QMR، DXplainو ILIADمحسوب می­گردد. در سال ۱۹۷۶میلادی نیز شرتلیف[7] سیستم خبره مبتنی بر تئوری شواهد  [8]را برای کاربردهای تشخیصی و درمانی به نام  MYCIN  ارایه نمود. این سیستم که برای تشخیص عفونتهای میکروبی و تجویز داروهای لازم به کار می­رفت، دارای قابلیتهای متعددی نظیر دریافت اطلاعات، یادگیری، تفسیر داده­ها و اموزش­دهی بود و امروزه از ان به عنوان پدر سیستمهای خبره یاد می­گردد. اکثر سیستمهای یاد شده به عنوان نسل اول سیستمهای پشتیبان تصمیم­گیری در پزشکی محسوب می­گردند.

در سالهای ۱۹۸۰تا ۱۹۹۰میلادی با تغییرات اساسی که در سخت افزار کامپیوترها صورت پذیرفت و منجر به تولید انواع کامپیوترهای کوچک و ارزان قیمت(PC) شد، تحولی اساسی در تولید سیستمهای پشتیبان    تصمیم­گیری در پزشکی ایجاد شد و نسل جدیدی از این سیستمها پا به عرصه وجود نهادند. همچنین در این سالها با ارایه مدلهای جدید تصمیم­گیری و یا با ارایه نواوری در مدلهای پیشین تغییرات چشمگیری در عملکرد سیستمهای پشتیبان تصمیم­گیری در پزشکی ایجاد شد، به صورتی که سیستمهای مبتنی بر تئوری فازی نظیرCADIAG-II  و شبکه­های بیز نظیرInternist-1/QMR برای غلبه بر محدودیتهای سیستمهای ساده پیشین طراحی و راه­اندازی شدند. در سالهای اخیر نیز رجیا[9] و همکارانش مدلهای پوشش مجموعه­ای[10]را برای حل مساله تشخیص پزشکی ارایه نمودند. شبکه­های عصبی مصنوعی واستدلال مبتنی بر مورد،نیز از دیگر تکنیکهای نوین ارایه شده برای برخورد با مساله تشخیص پزشکی می­باشند.

برخی دلایل استفاده از سیستم­های پشتیبان تصمیم در پزشکی:

·پزشکان برخی اوقات دچار خطا و اشتباه می­شوند.

·پزشکان قادر نیستند که همیشه خود را با اخرین یافته­های اطلاعات پزشکی تطبیق دهند.

·در موارد متداول استفاده از تصمیم­گیری خودکار، موثر است.

·سازمانهای مراقبت بهداشتی مایل به افزایش کیفیت مراقبت و کاهش هزینه­های ان هستند.

زمینه­های مورد استفاده سیستم­های پشتیبان تصمیم­گیری بالینی:

·تولید  هشدارها و یاداوری­کننده­ها برای پزشک

·کمک در تشخیص بیماری به پزشک

·برنامه­ریزی درمان

·تشخیص و تفسیر تصاویر پزشکی

چهار عملکرد کلیدی سیستم­های الکترونیکی حمایت از تصمیمات بالینی:

·اداری؛ حمایت از کد­های بالینی و مستندات

·مدیریت موارد پیچیده بالینی؛ مانند پروتکل­های شیمی درمانی، ارجاع و پیگیری، مراقبت­های پیشگیری

·کنترل هزینه­ها؛ کنترل دستورات پزشکی، جلوگیری از تکرار ازمایشات یا انجام ازمایشات              غیرضروری

·حمایت از تصمیم؛ حمایت از تصمیمات کلینیکی و فرایند درمان و ارتقا استفاده از راهنمائی­های اختصاصی

 انواع سیستم های CDSS:

تعامل مستقیم سیستم و پزشک (مانند INTERNIST)

سیستم مستقیما به منبع داده­های بیمار متصل است. (مانند سیستمهای مفسر ECG)

سیستمهای همراه با مدارک کامپیوتری بیمار(CPR)و بکاربردن این رکوردها بعنوان ورودی

 سیستمهای DSSاز جوانب مختلفی طبقه­بندی می شوند:

·نمایش اطلاعات: مثلا سیستمهای مبتنی بر درخت تصمیم یا قواعد تولیدی

·نوع تصمیم : مثلا تشخیصی یا درمانی

·زمینه پزشکی : مثلا سیستمهای مربوط به پزشکی داخلی یا جراحی

دسته بندی سیستمهای پشتیبان تصمیم گیری از دید پزشکان

·الگوریتم­های بالینی: قواعد تولید هشدار در سیستم مانیتورینگ علائم حیاتی بیمار

·پایگاه داده بالینی (توابع تحلیلی): قواعد موجود برای نحوه درهم کنش داروها

·مدلهای پاتوفیزیولوژیکی ریاضی: مدلهای فارماکوکینتیک  برای محاسبه اثر تزریق دارو

·سیستمهای بازشناخت الگو: طبقه­بندی انواع مختلف گلبول سفید

·سیستمهای اماری: طبقه بندی ECGبا الگوریتمهای اماری

·سیستمهای تصمیم تحلیلی: محاسبه ریسک عمل جراحی

·استدلال سمبلیک یا سیستمهای خبره:  QMRبرای تشخیص در پزشکی داخلی

lکمی؛ بر اساس روشهای اماری موجود است و از داده­های اموزشی استفاده می­کند. مثل            شبکه­های عصبی، فازی و احتمالی. روشهای اماری در پشتیبانی تصمیم بالینی به کار می­رود تا احتمال وقوع یک بیماری را تعیین کند. در تصمیم­گیری اماری همه ویژگی­ها معمولا با هم به کار برده        می­شوند.

lکیفی؛ از ویژگی­های پیشنهاد شده متخصصین استفاده می­کند و از استدلال های سمبولیک بهره        می­برد. از این نوع مدل می­توان به، بولین[1]، سیستم­های خبره، درخت تصمیم، اشاره کرد.  این روش­ها ریاضی نیستند. روشهای کیفی براساس الهام و درک و استدلال توسط انسان،  بنا شده­اند. این روش ارتباط یک ویژگی اندازه­گیری شده را با مقدار استانه می­سنجد.

کسب دانش یکی از مهم­ترین رویه­های اغازین برای ایجاد پایگاه دانش در CDSSمی­باشد. اولین گام برای کسب دانش، انتخاب ناحیه بالینی و متخصصین خبره برای کسب دانش بخصوصی، می­باشد. گام بعدی انتقال دانش قابل­تفسیر در کامپیوتر  براساس روش­های ارائه دانش می­باشد. این بخش بر ابزار کسب دانش تمرکز    می­کند وهدف ان بکارگیری الگو­های اماده برای دریافت دانش بالینی از متخصصین است.

ابزار­های کسب دانش زیادی برای CDSS، توسعه یافته است.  در میان ان­ها، بعضی از ابزار های کسب دانش پزشکی است و بقیه ابزاری برای رهنمودهای بالینی است که در رویه­های بالینی استاندارد مورد استفاده قرار می­گیرد. از انجایی که کنترل خطا یکی از بزرگترین چالشهای ابزار کسب دانش است، در ادامه بر مقایسه توانایی کنترل خطا تمرکز می­کنیم.

   در جدول 6-1،proforma ، ابزار کسب راهنمایی است که شامل ساختارهایی  پر معنی برای توصیف خطاها می­باشد. توانایی تصمیم­گیری ان تحت خطا توسط ابزارهای مکانیسم ایجاد می­شود. در این روش مکانیسم  استدلال، تشخیص و تصمیمات درمانی بر حسب چندoption  تعریف می­شود و با استفاده از قانونهای استدلال، تصمیمات لازم گرفته می­شود. قانونهای استدلال از تصمیمات، پشتیبانی می­کند و در اخر توصیه­های لازم داده می­شود.

جدول6-1

GLARE، توانایی کنترل خطا در تصمیمات خطایاب را محدود کرده است. در GLARE ، تصمیمات سه بعد دارد ( تشخیص، پارامتر، نمره ) که خود پارامتر هم سه بعد دارد ( داده، خصوصیت، مقدار )، یک مقدار استانه برای مقایسه تشخیص ها استفاده می شود. نمره و سایر تشخیص ها به کاربران نشان داده می شود. GLARE   به کاربر اجازه می دهد تا تصمیمات تشخیصی لازم را از میان لیست انتخاب کند. در صورتی که کاربری تصمیمی اتخاذ کند که  نمره­اش بیشتر از حد استانه نباشد، اخطاری داده می­شود.

CMDS: ویرایشگر کسب دانش شی­گرا، در مورد کنترل خطا، عملکرد بهتری دارد. زیرا هر قانون دارای فاکتور قطعیت است که نشان می­دهد که ان قانون تا چه اندازه درست است. فاکتور قطعیت از -1تا  1 متغیر است. که -1به معنی قانون اشتباه، 0 به معنی عدم وجود اطلاعات  و 1 به معنی قانون درست است.

مکانیسم های استنباطی که در CDSS  استفاده می­شود شامل شبکه­های عصبی، شبکه­های معنایی، الگوریتم ژنتیک و سیستم­های غیرمستدل می­باشد. در CDSS  های مبتنی بر قانون، قانون­های if-then، مورد پردازش قرار- می­گیرند. زنجیره­های پسرو و پیشروی قانون­ها ممکن است برای تشخیص و تهیه توضیحات تشخیصی کاربران بالینی، مورد استفاده قرارگیرند. سیستم­های بیزین[1] بر اساس تشخیص­هایی که از بیماری های قبلی به دست امده است و همچنین علائم و نشانه­های بالینی، پیش بینی می­کنند. سیستم­های غیر مستدل شامل پیش بینی­های اماری است. بعضی از روش­های اماری مانند ماشین بردار پشتیبان (SVM) و ماشین ابزار حداقل مربعات (LSSVM  ) برای استدلال­های پزشکی پیشنهاد شده است. شبکه­های عصبی به عنوان مکانیسم استنباطی توسط محققین استفاده می­شود. زیرا در هنگام توسعه این نوع از CDSSها، نیاز به درک رابطه بین متغیرهای ورودی و خروجی ندارند. 

لی[2] و همکارانش، شبکه­های عصبی را با سایر مدل­های ریاضی مقایسه می­کنند تا سیستم پشتیبان         تصمیم­گیری پزشکی مربوط به اسیب­های مغزی را بسازند (MDSS) و نتیجه این است که شبکه­های عصبی   راه­حل بهتری برای CDSSهای غیر خطی و پیچیده نسبت به تکنیکهای اماری قراردادی ارائه می­کند . ایراد شبکه­های عصبی این است که شبکه­ها از قانون­هایی استفاده می­کنند که از منطق خاصی پیروی نمی­کند و به طور اشکار قابل درک نیست.

در الگوریتم ژنتیک، با توسعه بهترین راه­حل، راه حل بهینه­ای که مناسب­ترین است، به دست می­اید. در مطالعات جدید متدلوژی­های استنباطی مختلفی برای پاسخ­های پزشکی، الحاق شده­اند  مانند LSSVMبا       وزن­دهی فازی، یا شبکه­های عصبی مصنوعی با وزن­دهی فازی. هنگامی که مدل سازی دانش پزشکی به صورت منطقی دشوار است، متخصصین پزشکی اطلاعات خود را با مثال ارائه می­دهند.  در این شرایط، مدل سازی نمادین (CBR)درDSS ، استفاده می­شود. فایدهCBR   این است که موارد بالینی تجربی مشابه، از سایر        دانش­های پزشکی متقاعد کننده­تر است. اما اشکال این روش این است که اندازه­گیری شباهت میان موارد مختلف دشوار است، همچنین فرایندهای بازیابی به ندرت دقیق و موثر است و ورودی­های موردنیاز CDSS  که بر اساس CBR  به دست می­اید، به اسانی مورد قبول متخصصین واقع نمی­شود.

ارزیابی CDSS  :

 به گفته میلر[3]، ارزیابی CDSSباید شامل چهار مورد زیر باشد:

1- ارزیابی مناسب

2- ارزیابی درجه سودمندی CDSS

3- ارزیابی محدودیت­های CDSS

4- تعیین دلایل پنهان محدودیت تاثیرات سیستم

کیت[4] وگرین[5] مراحل بررسی  CDSSرا این گونه تعریف می­کنند:

1-   ارزیابی دانش متخصصین

     2- ارزیابی سیستم مجتمع

     3-ارزیابی خارجی سیستم

    4- ازمایشات تصادفی چندمرکزی برای ارزیابی سیستم

اکثر ارزیابی­هایCDSS  بر صحت سیستم متمرکزند و تمرکز کمتری بر ارزیابی تاثیر استفاده CDSSبر مراقبت­های بالینی دارند.

معیارهای پذیرش سیستمهای پشتیبانی تصمیم

·پشتیبانی جمع­اوری داده[6]: سیستمهای تصویربرداری

·کاهش داده[7]: سیستمهای اطاق عمل و واحدهای مراقبت ویژه

·ارزیابی داده[8]: سیستمهای ازمایشگاهی

پایگاه دانش(KB)[9]پزشکی:

مجموعه اطلاعات (دانش)پزشکی که بطور سیستماتیک سازماندهی شده و بصورت الکترونیکی قابل دسترسی هستند و نیز قابلیت تفسیر بوسیله کامپیوتر را دارند، پایگاه دانش پزشکی را تشکیل می­دهند. با ایجاد KBمی­توان، جمع­اوری و پخش الکترونیکی اطلاعات پزشکی را تسهیل نمود.

ابزارهای پیش­بینی ساده بر اساس روش­های مختلف پایه­گذاری شده­اند که در 2 گروه عمده می­توان انها را بررسی کرد :

·ابزارهای پیش­بینی مبتنی بر تحلیل اماری مجموعه داده­های بالینی

·ابزارهای پشتیبانی تصمیم براساس نتایج انالیز تصمیم

قواعد پیش بینی مبتنی بر تحلیل اماری[1]

روشهای اماری مورد استفاده برای پیش­بینی در این موارد، اغلب نوعی رگرسیون هستند بطور مثال : رگرسیون خطی برای خروجی­های پیوسته مانند فشارخون  و رگرسیون منطقی برای خروجی­های دو بخشی مانند مرگ و میر مورد استفاده قرار می­گیرند.

راهبرد­های کلی برای ارزیابی قواعد پیش­بینی :

-تعریف روشن متغیرهای پیش­بینی­­کننده و خروجی­ها

-توصیف صحیح جمعیت بیماران و امکان مقایسه

-توصیف روش­های ریاضی بکار رفته

-دسترسی به نرخ صحت یا خطای قاعده طبقه­بندی

-اثرات کاربرد قاعده پیش­بینی روی مراقبت بیمار

فرایند مدلسازی اماری:

فرایند مدلسازی دارای جوانب زیر است :

·انتخاب متغیرها : در بسیاری از موارد تعداد زیادی مشخصه پیش­بینی­­کننده بیمار داریم که بکار­گیری همه غیر عملی است. انتخاب تدریجی[2]، روشی برای انتخاب تعداد محدودی پیش­بینی­کننده است.

·تخمین ضرائب رگرسیون: پس از انتخاب پیش­بینی­کننده ها، ضرایب تعیین می­شوند که دقیق بودن ان مستلزم داده­هایی با کیفیت بالاست. هرچه حجم داده بالا باشد، نامعینی مقدار ضرائب تخمین زده شده، کمتر است و پیش­بینی دقیق­تر انجام می­گیرد.

·ارزیابی عملکرد مدل: عیار مهم برای ارزیابی یک مدل قابلیت تمایز مدل برای طبقه­بندی بیماران است.

·نمایش نتایج مدل: جدول پیش­بینی­های متناظر

چرا CDSSها در حال حاضر مقبولیت ندارند؟

- ایده­های نمایش اطلاعات[3]  بسیار ساده است.

-تصمیمات پزشکان متفاوت است و این تغییر پذیری نمی­تواند در DSSلحاظ شود. 

-پارادوکس تخصصی در DSSلحاظ نمی­شود.

 برخی محدودیت ها ومعایب سیستمهای  های CDSS :

·محدوده کوچکی از علم پزشکی را پوشش می­دهند.

·نمی­توانند تنوع زیادی از استراتژیهای تشخیصی و درمانی را برای حل مشکلات بیماران پیچیده ارائه دهند.

·تاکید بیش از اندازه بر داده­های ازمایشگاهی ممکن است موجب غفلت از اطلاعات روانی و اجتماعی بیمار شود.

·ایجاد تغییر در رابطه بیمار و پزشک

• ایجاد محدودیت برای پزشک در حل مسایل بصورت مستقل

·مسایل حقوقی و قانونی در صورت بروز اشتباه و خطا