Article

Medical Decision Making: A Case Study Within the Cardiology Domain

Department of Electronics, Informatics, Systems (DEIS), Laboratory of Decision Engineering for Health Care Delivery, University of Calabria, 87036, Rende (Cosenza), Italy
Journal on Information Technology in Healthcare 5(6):343-356.

ABSTRACT Objective: Optimal patient management is dependent on correct diagnosis and manage-ment decisions. However decision making in medicine is a complex and challenging problem and often inaccurate. This can be illustrated by considering the problem of diagnosing acute myocardial infarction (AMI). Studies indicate that as many as 20% of patients with AMI are wrongly diagnosed. Computerised medical decision support systems have the potential to improve this accuracy. In this paper we evaluate the performance of Kernel based Support Vector Machine (KerSVM) learning methods which are a new, efficient and effective methodol-ogy for solving pattern classification problems. Methods: Using the framework of a generalised Support Vector Machine model, we tested and validated the behaviour of five kernel classifiers: Linear, Polynomial, Gaussian, Laplacian and Sigmoid with respect to diagnosing AMI. It was tested on data taken from 242 patients who had presented with chest pain; 130 of these had correctly been diagnosed as suffering from AMI and the other 112 had their chest pain correctly attributed to other causes. Initially the model was tested using 105 individual pieces of data taken from the patient history, electrocardiography, echocardiography and blood investigations. Results: The diagnostic accuracy of the SVM with the different kernels varied between 86.7% and 93.8%. The data was also run through 3 well-established classifiers -Bayesian, Decision Trees and Neural Networks, and the results compared favourably with those from the SVM model. We also carried out further experiments using several subsets of the 105 data features. We found that using 68 features (taken from electrocardiography, echocardiography and blood tests) or 66 features (taken from electrocardiography and echocardiography) it was possible to obtain diagnostic accuracies of between 90% and 93% with 3 of the kernel classifiers. Conclusion: The overall results demonstrate the effectiveness and robustness of the pro-posed approaches and their potential for assisting clinicians in accurate medical decision making.

0 Bookmarks
 · 
185 Views
  • Source
    [Show abstract] [Hide abstract]
    ABSTRACT: La adecuada clasificación diagnóstica de las entidades clínicas representa una de las competencias primordiales que los médicos deben desarrollar y afinar para su trabajo diario, se constituye en el primer paso de casi cualquier proceso de atención en salud. La caracterización adecuada del dolor torácico es de gran importancia, en especial dentro de la atención de urgencias, aunque en su mayoría es causado por entidades benignas, el rápido reconocimiento de las situaciones que ponen en riesgo la vida influye en el éxito de su tratamiento. Una de estas entidades la representan los síndromes coronarios agudos que son reconocidos como la principal causa de muerte a nivel mundial y en Colombia. Su adecuada caracterización requiere de la combinación de una historia clínica completa, hallazgos electrocardiográficos y biomarcadores miocárdicos junto a alguna estrategia de estratificación coronaria invasiva o no invasiva. Los sistemas multi-agentes (o agentes racionales colaborativos) son una colección de agentes independientes que se comunican con el fin de cooperar en la solución conjunta de una tarea compleja. Un agente puede definirse como una entidad de software autónomo que recibe entradas e interactúa con su ambiente, desempeñando tareas en la búsqueda de un conjunto de metas. Un agente debe ser autónomo, flexible, proactivo e inteligente. Su uso se convierten en una forma prometedora para modelar, mediante un sistema informático, el proceso de diagnóstico. Teóricamente, se puede lograr una ganancia de información y aportar capacidad adaptación y aprendizaje. Son muy escasos los trabajos que intentan abordar ésta área y se convierten en una oportunidad para la explotación de las fortalezas de esta estrategia en el beneficio de los pacientes. Tienen la posibilidad de cooperación, encapsulando las tareas para el diagnóstico y además, favoreciendo la reutilización del código ya creado, permitiendo la suma de agentes con aportes variados a dicho proceso. El objetivo del presente trabajo es diseñar y evaluar un sistema de agentes racionales cooperativos para el apoyo al diagnóstico de los Síndromes Coronarios Agudos en pacientes que consultan con dolor torácico en un servicio de urgencias. Para ello se estructura una investigación cuyo marco general se sitúa en el de la ciencia basada en el diseño, de la cual se presentan los resultados hasta una segunda iteración. Se puede dividir lo presentado en tres fases. La primera, de análisis, en la que se presentan los resultados preliminares de una revisión sistemática de la literatura del uso de sistemas inteligentes en el diagnóstico de los síndromes coronarios agudos, en la que se muestra que la mayoría de trabajos con énfasis de la ingeniería, se centran en el análisis de señales electrocardiográficas con una pobre descripción de la base de datos a partir de la cual se entrenó el sistema y el marco de referencia; en contraste, los procedentes de la medicina, describían pobremente la arquitectura del sistema desarrollado. En la mayor parte de los casos se usan las redes neuronales y últimamente se ha virado al uso de máquinas de soporte de vectores. En ésta misma fase se realiza el análisis del problema usando la metodología AOPOA, cuyo resultado es un sistema multi-agentes en el cual se divide el problema en tres fases en las que se aborda primero los acasos de alta probabilidad, luego los de muy baja probabilidad y se termina con los de probabilidad intermedia. Aunque la estrategia de integración inicial propuesta es por argumentación, se decide realizar una serie de experimentos en las que se usa el ensamble mediante diferentes sistemas de votación simple y ponderada mediante varias estrategias. Para la siguiente fase, de diseño y desarrollo, se emplean dos bases de datos de pacientes con dolor torácico con sospecha de síndrome coronario agudo, una prospectiva diseñada para tal fin con 148 pacientes y otra procedente de un trabajo diferente, con 159 pacientes pero con menos datos. A partir de ella se procedió a entrenar y probar un conjunto de redes neuronales dentro de varios subconjuntos determinados por los datos de entrada que eran tenidos en cuenta, el número de ejemplos de entrenamiento y subgrupos poblacionales con un comportamiento especial del dolor torácico en su presentación: mujeres, ancianos, diabéticos y con historia previa de enfermedad coronaria. Para el entrenamiento se utilizó un algoritmo genético en el que el cromosoma lo representaba el conjunto de pesos de la red neuronal, la población estaba constituida por 200 individuos, la tasa de recombinación fue del 95% y de mutación del 5%. A partir de este proceso se seleccionaron 90 redes, 72 de propósito general y 18 para subgrupos. Luego se elaboró un estudio de pruebas diagnósticas con un diseño factorial 33 dentro de un modelo de efectos fijos (se evaluaron todos los tratamientos), no replicado, con un nivel de significancia del 5%. Se tomó como variable de respuesta la precisión diagnóstica de cada uno de las arquitecturas de ensamble probadas en el 30% del conjunto total de datos (92 ejemplos) y como factores estudiados: el número de datos que se tuvieron en cuenta para el entrenamiento y pruebas de las redes, el número de redes escogidos a partir de cada uno de los conjuntos de datos de entrenamiento; y finalmente, la heurística empleada dentro del sistema de ensamble de las decisiones mediante votación simple, votación ponderada por valores predictivos y votación ponderada por razón de verosimilitud (LR). El conjunto de experimentos efectuados permite demostrar que un sistema multi-agente desarrollado para el diagnóstico del dolor torácico enfocado a los síndromes coronarios agudos que utiliza herramientas de ensamble basados en votación simple o ponderada para la decisión basada en redes neuronales artificiales, presenta un desempeño diagnóstico que supera el de cada una de las redes individualmente. El mejor sistema de ensamble parece ser el basado en algún tipo de ponderación, individualmente se encontraron tratamientos con el mejor rendimiento en ambos sistemas de ponderación (84,8% de precisión), pero el promedio favoreció ligeramente a aquel basado en los valores predictivos sobre los LR (82,0 vs 81,3% respectivamente). La adición de las decisiones diagnósticas de un grupo adicional de agentes especializados y aplicados a subpoblaciones de interés por su comportamiento diferencial al momento de su presentación como síndrome coronario agudo: mujeres, diabéticos, enfermos coronarios y mayores de 75 años; se tradujo en un aumento adicional de la precisión hasta llegar al 89%. El resultado final es un aplicativo (“CHEPE”) en el que luego del ingreso de los datos del paciente a través de la interface de usuario, da inicio a una federación de agentes racionales colaborativos que está constituido por un agente gestor general del proceso que posee la información global del diagnóstico del dolor torácico, un agente administrador de fase de diagnóstico de los síndromes coronarios agudos que crea los siete agentes que contienen las redes neuronales para el diagnóstico general (15 redes neuronales) y especializado (11 redes neuronales) en subgrupos que finalmente ensambla la decisión mediante una votación ponderada basada en por razón de verosimilitud. La fase final, de validación, quedó por fuera del alcance del trabajo de maestría y es un estudio separado de pruebas diagnósticas con la evaluación de dicho aplicativo de manera prospectiva en la práctica, estudio que ya se encuentra aprobado y cuenta con financiación para ser realizado durante los siguientes 18 meses.
    12/2014, Degree: Maestría, Supervisor: Enrique Gonzaléz Guerrero

Full-text (2 Sources)

Download
94 Downloads
Available from
Jun 2, 2014