Presentaci

1
Adquisición de conocimiento médico para
aplicaciones en telemedicina
M. Argüello 1, M. Taboada 1, Julio Des 2,3, J.L.
González 1, J. Mira3 1Departamento de Electrónica
y Computación. Universidad de Santiago de
Compostela. E-mail chus_at_dec.usc.es 2Hospital
Comarcal de Monforte (Lugo)3Departamento de
Inteligencia Artificial. U.N.E.D
Introducción La calidad del diagnóstico en
telemedicina puede mejorarse si existe un modelo
de conocimiento subyacente. El desarrollo de
dichos modelos puede hacerse de manera
estructurada y coherente si usamos alguna
metodología de la Ingeniería de Conocimiento, tal
como CommonKADS 1 o PROTEGE-II 2. Si además,
la metodología elegida se aplica orientada a la
reutilización de componentes y modelos de
conocimiento, los beneficios aportados pueden ser
varios ? Disminución del tiempo de desarrollo
y de los costes implicados en la construcción
de la aplicación. ? Ayuda en la etapa de
adquisición de conocimiento. ? Obtención de un
sistema con terminología estándar y común, lo
cual facilitará compartir y reutilizar su
conocimiento por parte de otros sistemas.
Métodos Adquisición de la estructura del
modelo Con el objetivo de obtener una notación lo
más estándar y consensuada posible, hemos
revisado fuentes de conocimiento médico, tales
como la librería de Falasconi y Stefanelli 3,
el servidor de conocimiento médico Unified
Medical Language System (ULMS) 4, la
documentación habilitada por la Loyola University
Medical Education Network 5, la Clasificación
Internacional de Enfermedades (CIE 9 MC) 6
vigente en España. Adquisición del Modelo del
Dominio A partir de las entrevistas iniciales con
los expertos clínicos, se llegó a la conclusión
de que la manera más eficiente de adquirir el
conocimiento era centrar dichas entrevistas en
torno a las plantillas, (formularios) usadas por
el médico para recoger la información del
paciente, la llamada historia clínica. Esas
plantillas nos desvelaron unas necesidades que
trataba de cubrir un primer prototipo aislado
OPHDOMAIN.  Knowledge Engineering Applied to
Medicine (KEAM) KEAM es un prototipo de sistema
basado en conocimiento para Web que está siendo
desarrollado en la actualidad, pretende llegar a
convertirse en un sistema de telediagnóstico.
KEAM se puede ver como un aplicación
Cliente/Servidor para Web basada en Base de
Datos. El prototipo OPHDOMAIN queda englobado en
KEAM. KEAM como OPHDOMAIN tiene varios niveles de
acceso. Actualmente se están implementando,
habilitando y evaluando en KEAM las opciones que
previamente cubría OPHDOMAIN, es decir, a través
de los niveles de acceso del ingeniero de
conocimiento y del clínico experto, se habilitan
opciones que permiten ? Adquisición de la
estructura del modelo ? Adquisición del Modelo
del Dominio El servidor Web de la aplicación
para Web basada en Base de Datos está físicamente
ubicado en Santiago de Compostela, y permanece
habitualmente off-line. Sólo se pone on-line de
forma periódica para ? Realizar conexiones de
prueba que evalúen los tiempos de acceso y
tiempos de respuesta de la aplicación. ? Valorar
la interfaz visual en desarrollo. La interfaz
visual de KEAM es un entorno de ventanas que
permiten interaccionar con su contenido, de
una forma análoga al entorno de ventanas de
Windows de Microsoft.
Resultados Alcance de la estructura del modelo
Dentro del dominio de las urgencias
oftalmológicas, hemos obtenido una estructura del
modelo que comprende Más de 600 patologías,
descripción de más de 30 síntomas y 200 signos de
exploración física, pruebas de exploración
física, etc. Obtención del Modelo del
Dominio  En la actualidad KEAM permite   ? Desarr
ollar más de un única plantilla de historia
clínica electrónica, que posibilite recoger la
información de una Anamnesis General, una
Anamnesis Diabetes, etc. ? Exportar componentes
entre las distintas plantillas de historia
clínica electrónica. Por ejemplo, que una
Anamnesis Diabetes pueda tomar elementos de
una Anamnesis General. ? Usar de forma
inmediata una plantilla de historia clínica
electrónica una vez configurada o
re-configurada (siempre es posible efectuar
modificaciones). ? Decidir en tiempo real el
siguiente paso a realizar. Así, moverse por el
entorno visual de las plantillas de historia
clínica electrónica es como navegar a través de
rutas preestablecidas pero no
fijas. ? Conectar los componentes de las
plantillas de historia clínica electrónica con
el conocimiento médico estructurado
subyacente. Por ejemplo, enlazar el elemento
Patologías Previas de Antecedentes Personales
con la clasificación de patologías (CIE 9 MC)
6.  Las opciones anteriores ya las permitía
OPHDOMAIN, pero ahora es posible la interacción a
distancia con el sistema.
Conclusiones Valoración de la interface visual y
tiempos de acceso en KEAM Dada la amplia
difusión de Windows de Microsoft, la utilización
de la interfaz visual apenas necesita de un
proceso de aprendizaje. En este sentido, estamos
obteniendo una valoración de la interfaz visual
muy positiva, ya que uno de los inconvenientes de
cualquier aplicación software es el aprendizaje
del uso de su interfaz. Tras realizar varias
conexiones con ordenadores cliente en Lugo y en
el Gesellschaft für Schwerionenforschung (GSI) en
Alemania, con equipos cliente con una C.P.U.
Pentium II o superior, se obtuvo ? El tiempos
de acceso, es decir, el tiempo que tarda el
equipo cliente en cargar totalmente las
páginas Web solicitadas oscila entre 3 y 5
segundos. ? Las páginas Web permiten una alta
interacción con el usuario una vez cargadas.
Por ejemplo, podemos navegar a través de la 738
patologías (CIE 9 MC) 6 introducidas en la
aplicación, sin necesidad de conectar
constantemente con el servidor para
solicitar más información, y tardando 0.5
segundos o menos en refrescar la información
de un nodo (expandir o contraer una categoría).
Eso nos da unos tiempos de respuesta de la
aplicación a la interacción con el usuario muy
buenos.
Referencias 1 Schreiber, A. and Akkermans,
H. and Anjewierden, A.A. and Hoog, R. and
Shadbolt, N.R. and Val de Velde, W. and Wielinga,
B. Engineering and managing knowledge.
The CommonKADS methodology. The MIT Press
(1999). 2 Eriksson, H., Shahar, Y., Tu,
S.W., Puerta, A.R. and Musen, M.A. Task modeling
with reusable problem-solving methods. Artificial
Intelligence, 79 (1996) 293-326. 3 S.
Falasconi and M. Stefanelli. A library of
implemented ontologies. In Proc. of the ECAI
Workshop no comparison of implemented ontologies,
Amsterdam, 1994. 4 National Library of
Medicine Unified Medical Language System,
Bethesda, MD (2001). In http//umlsks.nlm.nih.gov.
5 Lloyd, J.S. Components of the medical
history. Introduction to the practice of Medicine
I. In http//www.meddean.luc.edu/lumen/MedEd/ipm/c
omphx1/, August (2001). 6 Clasificación
Internacional de Enfermedades (9a Revisión).
Modificación Clínica. Ministerio de Sanidad y
Consumo, Madrid, 1988.
Trabajo realizado bajo el proyecto de
investigación PGIDT01-PXI20608PR.