Introduction à l’aide à la décision

Présentation au sujet: "Introduction à l’aide à la décision"— Transcription de la présentation:

1 Introduction à l’aide à la décision
Représentation des connaissances Professeur Marius Fieschi Faculté de Médecine Université de la Méditerranée

2 Systèmes "Passifs" Systèmes "Actifs" Livres
Dossiers médicaux informatisés (classiques) Bases de données Analyse de la décision "Flow chart" Systèmes experts "Consultant" Systèmes en tâche de fond intégrés au système d’information Composants AD Exige une intégration dans un environnement, système d’information, dans des processus,… Systèmes "Actifs"

3 Traitement de l'information et aide à la décision
Traitement non directement impliqué dans la décision L'accès à l'information pertinente fait partie du processus de la décision et la prépare Consultation des éléments "importants" du dossier Synthèse d'enregistrements Accès à la documentation pertinente Elaboration de sous systèmes d'informations hospitaliers

4 Traitement de l'information et aide à la décision
Traitement de l'information intervenant directement dans la décision "Garde-fous" permettant d'éviter des erreurs dans des situations bien identifiées : Aide mémoire, information utile dans des situations faciles à définir a priori: valeurs normales, messages de mise en garde si association de médicaments déconseillées … Systèmes donnant un avis de spécialiste pour un malade donné Systèmes experts consultants,… Problèmes très complexes : représentation des connaissances, modes de raisonnements, validations, ...

5 Aide à la décision Les situations Décideur CONNAIT Décideur n'a
avec CERTITUDE la situation dans laquelle il DECIDE Décideur n'a AUCUNE idée des situations POSSIBLES IGNORANCE CERTITUDE (ATTITUDE PESSIMISTE ou OPTIMISTE) (OPTIMUM) DECISION EN "ETAT DE RISQUE" (chaque Situation a une PROBABILITE SUBJECTIVE ou OBJECTIVE de se REALISER)

6 L’aide à la décision: l’intégration des connaissances dans les processus
temps données Processus de prise en charge Connaissances: savoir + savoir faire La qualité du processus exige le couplage des données et des connaissances Les connaissances: Guides de bonne pratique, standards, protocoles,…

7 Représentation des données et des connaissances
Types de données et de connaissances Numériques Traitement algorithmique, traitement numérique Informations symboliques Exemple: « Le diabète est une maladie chronique » « Les maladies chroniques coûtent cher à la collectivité »  Raisonnement symbolique, traitement « syllogistique », classes et héritages,…

8 Représentation des données et des connaissances
Techniques de programmation et génie logiciel Programmation classique: Mise à jour difficile, évolution coûteuse Difficultés de « justification » du résultat Traitement algorithmique, traitement numérique Techniques de programmation plus récentes Traitement des connaissances symboliques: Représentation objets, classes d’objets, propriétés et héritages Modèles de représentation de l’incertitude et de raisonnement dans l’incertain Résolution de classes de problèmes ++: expertise, raisonnement heuristique

9 directement du domaine
THEORIE SUR LE DOMAINE PRATIQUE Heuristiques APPRENTISSAGE A PARTIR D'EXPERIENCES Faits dépendants du domaine Connaissance de "surface" ABSENCE DE CONNAISSANCE CONNAISSANCE COMPILEE Définitions ne dépendant pas directement du domaine Connaissances "profondes" APPRENTISSAGE ACADEMIQUE ENSEIGNEMENT Principes, lois THEORIES GENERALES D'après HARMON

10 Types de Connaissances
Interprétation des données Analyse anamnèse, observation directe, analyse résultats examens Taxonomies Classification des maladies Phases des maladies Reconnaissance des phases Connaissances thérapeutiques Que faire ? Comment faire ? Heuristiques Epidémiologiques Physiologiques Anatomiques } savoir + savoir faire

11 Raisonnement médical et incertitude
Plusieurs causes (1) Nature du raisonnement clinique Observations ðGénéralisation Probabilité ? (Prévalence des maladies) - Estimation difficile - Probabilité "subjective" = crédibilité Données manquantes, erronées? Complétude, perception difficile ex : "Absence d'hépatomégalie" : incertaine

12 Raisonnement médical et incertitude
Plusieurs causes (2) Modèle incomplet ou imprécis (controversé) * Incertitude sur les causes Cause des cancers ? * Incertitude sur les mécanismes Mécanisme des désordres observés * Incertitude sur l'importance du terrain Evolution rapide ? * Incertitude sur les dangers des médicaments * Incertitude sur le sort des drogues * Complétude ?

13 Raisonnement médical et incertitude
Plusieurs causes (2) Modèle incomplet ou imprécis (controversé) * Incertitude sur les causes Cause des cancers ? * Incertitude sur les mécanismes Reflet d'un Mécanisme des désordres observés seul expert ? * Incertitude sur l'importance du terrain Evolution rapide ? Pb : Consensus * Incertitude sur les dangers des médicaments Evaluation ? * Incertitude sur le sort des drogues Diffusion ? * Complétude ?

14 Problème de « Classification », Construction de la solution
Grande majorité des systèmes actuels: susceptibles de faire face au premier type de problème Problème de classification ( 1ère classe de problème) Problème médical intéressant : grande complexité, nécessité de construire une solution (2ème classe de problème) Application "choisie" Pour le développement du système d’aide à la décision

15 Systèmes Experts, raisonnement symbolique, …
Les techniques d'I.A. (représentation des connaissances) tendent à expliciter les règles de déduction SYMBOLIQUE, déduction Les méthodes statistiques cherchent à les extraire implicitement à partir d'expériences accumulées NUMERIQUE, programmation algorithmique

16 Connaissances et méta connaissances
Connaissances du domaine Mode d’emploi des connaissances Représentation Système d’aide à la décision

17 Programmation algorithmique, connaissances procédurales
Les procédures: un tout Connaissance du domaine Moteur d’inférence Approche diagnostique ou thérapeutique

18 Les outils de type « systèmes experts », connaissances déclaratives
du domaine Interpréteur de règles Moteur d’inférence Règles Approche diagnostique ou thérapeutique

19 Représentation déclarative, raisonnement symbolique
Connaissances et mode d’emploi des connaissances 1- Ex : Le diabète est une maladie chronique Le coût des maladies chroniques est important 2 - Plusieurs utilisations possibles : A et B → C r Si on sait A et B vrais alors C vrai r Si on cherche C on peut essayer de savoir si A et B sont vrais r Si A est vrai et C faux alors B est faux r Si C est faux alors soit A soit B est faux ≠ PROCEDURE : une connaissance déclarative ne contient pas son mode d'emploi

20 Représentation procédurale
Adaptée aux données numériques Adaptée aux problèmes algorithmiques Ex : P(Ej) . P (A/Ej) å P(Ei) . P(A/Ei) P(Ej/A) = i AVANTAGES INCONVENIENTS - Progr. efficaces rapides - Pas de justification - Mal adapté si pb non algorithmique

21 Représentation procédurale
Analyse de la décision, arbres de décision Théorie des probabilités appliquée aux problèmes de décision Très nombreuses applications Cette approche et ses applications sera développée par ailleurs

22 Représentation et ingénierie de la connaissance médicale
Modèles de connaissances Modèles de représentation

23 Représentation et ingénierie de la connaissance médicale
Carte représentation Doit être interprétée Sémantique Qu'est-ce que les notations signifient ? (comment sont-elles reliées au monde réel ?)

24 Représentation et ingénierie de la connaissance médicale
Carte représentation Doit être interprétée Sémantique Qu'est-ce que les notations signifient ? (comment sont-elles reliées au monde réel ?) 2. Procédure d'Inférence : Comment résoudre un problème en liaison avec cette représentation ? Quelles inférences peut-on faire à partir de ces "notations"?

25 Représentation et ingénierie de la connaissance
Abstraction Séparer les faits de l’inférence SI Pierre a de la fièvre ALORS Pierre a une infection Pierre est un patient SI LE PATIENT a de la fièvre ALORS LE PATIENT a une infection Représentation de la connaissance symbolique déclarative, règles de production

26 Représentation et ingénierie de la connaissance médicale
Abstraction Séparer les faits de l’inférence La fièvre est un symptôme. L'infection est une maladie La fièvre est un symptôme de l'infection SI LE PATIENT a le SYMPTOME DE LA MALADIE ALORS LE PATIENT a la maladie Un symptôme est un "objet" élémentaire, une maladie est une classe SI il y a "quelque chose en faveur" du symptôme, ALORS il y a "quelque chose en faveur" de la classe.

27 Représentation de la connaissance médicale
Représentation à base de règles de production Représentation à base de frames (Minsky), Représentation Objet (classes d’objets et mécanisme d’héritage ) Les modèles Initiatives pour une standardisation de la représentation des connaissances Medical logical Modules (MLM) et Arden Syntax Pour les guides de bonne pratique clinique, recherche de syntaxe standardisée (GLIF, GEM,…) Les standards

28 Fonctionnement d’un système d’aide à la décision
Données du patient Espace de travail La base de faits « Mémoire à court terme » Connaissance du domaine Méta-connaissance Stratégies,… La base de connaissance « Mémoire à long terme »

29 Moteur d’inférence: notion de contrôle
Exemple BUT : E Ordre d'activation des règles Base des faits Base de connaissance 1 A B ùC A^D^C → E B^G^D → E A^B^F → E R1 R2 R3 R1 R2 R3 On applique les règles ayant pour but E dans l'ordre d'apparition 1 E Arbre ET/OU A D C B G D A B F

30 Moteur d’inférence: notion de contrôle
Exemple BUT : E Ordre d'activation des règles Base des faits Base de connaissance 1 2 A B ùC A^D^C → E B^G^D → E A^B^F → E R1 R2 R3 X R1 R2 R1 R2 R3 On applique les règles ayant pour but E dans l'ordre d'apparition 1 2 On tient compte de la base des faits E A D C B G D A B F

31 Moteur d’inférence: notion de contrôle
Exemple BUT : E Ordre d'activation des règles Base des faits Base de connaissance 1 2 3 A B ùC A^D^C → E B^G^D → E A^B^F → E R1 R2 R3 - R1 R2 - R2 R1 R1 R2 R3 On applique les règles ayant pour but E dans l'ordre d'apparition 1 2 On tient compte de la base des faits 3 On tient compte de la base des faits et du nombre d'éléments manquants E A D C B G D A B F

32 Exemples de règles de production, le système MYCIN
Coloration GRAM nég. et Morphologie : Bâtonnet et Patient : hôte à Risque SI Connaissance et méta connaissance: l’expression formelle est identique ALORS On suggère (.6) : Pseudomonas Patient = Hôte à Risque et $ Règles mention. Pseudom./Premisse et " Klebsiella/ " SI ALORS Il vaut mieux (.4) utiliser les premières que les secondes

33 à l'examen gonioscopique
Description à trois niveaux d'une maladie (d'après Weiss) CATEGORIES DE MALADIES glaucome par fermeture de l'angle glaucome secondaire glaucome à Angle ouvert fermeture chronique de l'angle glaucome aigu par fermeture de l'angle Relations causales Liens de classification ETATS PHYSIOPATHOLOGIQUES atteinte du champ visuel d'origine glaucomateuse oedème cornéen fermeture de l'angle Augmentation de l'excavation papillaire Pression intraoculaire élevée Liens associatifs synéchies de l'angle à l'examen gonioscopique Pression intraoculaire (par tonométrie) = 45 mm Hg OBSERVATIONS douleur diminution de l'acuité visuelle à l'ophtalmoscopie : rapport cup/disc > 0.7 Symptomes tests sensation de brouillard pupille dilatée signes

34 Systèmes experts médicaux: très nombreuses applications / années 70 - 80
1972 MYCIN Thérapeutique (T) USA 1975 INTERNIST Diagnostique (D) USA 1977 PIP D USA 1978 CASNET D + T USA 1980 SPHINX D + T FRANCE 1981 ABEL T USA 1981 SAM D FRANCE 1981 ONCOCIN Ä T USA 1983 ATTENDING T USA ...

35 Systèmes experts: connaissance « à dire d’experts »
Connaissance explicitée par l’expert Savoir + Savoir faire Argumentation Justification Facteur d'acceptabilité pour le non expert

36 Principaux éléments d'un système AAD
Base de connaissances spécialisées savoir faire Espace de travail (Base de faits) r faits r connaissance instanciée par les faits r agenda GESTION DES CONNAISSANCES MOTEUR D'INFERENCES INTERFACE HOMME-MACHINE Utilisateur

37 Le cycle d’un moteur d’inférence
Base de faits Ajout de fait(s) Choix d'élément(s) de connaissance Contrôle Moteur d'Inférence Inférence(s)

38 Le traitement de l’incertitude: exemple de MYCIN
Facteurs de crédibilité (CF) A  B (CF), le CF est attaché à la règle (facteur d’atténuation) Le CF varie entre -1 et 1. Les propositions (A,…) sont également affectées d’un CF soit fourni par l’utilisateur, soit déduit par des CF attachés à des règles

39 Le traitement de l’incertitude: exemple de MYCIN
1. Application d ’une règle Si A alors B / C * CF (B) = C . Max [o, CF (A)] - C est l’"atténuation" due à la règle - CF (A) se calcule par les formules : * CF (S1  S2) = Max [CF(S1), CF(S2)] * CF (S1S2) = Min [CF(S1), CF(S2)] - l ’utilisateur fournit les CF des données

40 Le traitement de l’incertitude: exemple de MYCIN
2. Application de plusieurs règles pour une même conclusion A  C CF1(C) A  C CF2(C) CF1,2(C) Crédibilité de C obtenue avec CF1 puis obtenue avec CF2 CF1,2(C) = CF1(C) + CF2(C) - CF1(C) . CF2(C) CF2(C) [1- CF1(C)] est l ’augmentation de certitude

41 Le traitement de l’incertitude: MYCIN, les CF
La crédibilité des prémisses: CF (S1 ou S2) = Max {CF(S1), CF(S2)} CF (S1 et S2) = Min {CF(S1), CF(S2)} CF(S) = - CF(S) Pour combiner les CF des règles : Nœuds ET : le plus petit des CF des prémisses est multiplié par le CF de la règle Nœuds OU : CF1 + CF2 - CF1 . CF2 CF1 + CF2 1 - Min {|CF1|, |CF2 |} - (|CF1| + |CF2 | - |CF1| . |CF2 |) si CF1 et CF2 > 0 CF = si CF1 . CF2 < 0 si CF1 et CF2 < 0

42 Un exemple de calcul de CF dans MYCIN
Recherche en ET/OU 0,24 0,8 = A .4 x .75 = 0.3 0,9375 = 0,72 0,75 0,9 0,8 0,75 1,0 0,4 0,1 0,75 0,9 S5 1,0 S6 0,5 A = 0,5 1,0 1,0 0,2 S2 0,9 S3 0,5 S8 0,8 S1 0,9 S4 0,5 S7 * Nœuds ET : CF (S1S2) = A . Min (CF(S1) , CF(S2)) * Nœuds OU : CF1,2(S) = CF1(S) + CF2(S) - CF1(S) . CF2(S)

43 De la connaissance à « dire d’experts » à la connaissance établie par la science (EBM)
L’aide à la décision: +++ Le changement de paradigme EBM Le changement dans l’approche des systèmes décisionnels: les guide de bonne pratique informatisés (fera l’objet d’un prochain cours)