Fuzzy expert system in the prediction of neonatal resuscitation

1.      abstrak

Mengingat pentingnya mengantisipasi terjadinya situasi kritis dalam kedokteran, kami mengusulkan penggunaan sistem pakar fuzzy untuk memprediksi perlunya upaya resusitasi neonatal maju di ruang bersalin. Sistem ini berkaitan karakteristik medis, obstetri dan neonatal ibu dengan kondisi klinis bayi baru lahir, menyediakan pengukuran risiko membutuhkan tindakan resusitasi neonatal lanjut. Hal ini disusun sebagai komposisi kabur dikembangkan atas dasar persepsi subjektif dari bahaya sembilan neonatolog menghadapi 61 situasi klinis antenatal dan persalinan yang memberikan tingkat hubungan dengan risiko terjadinya asfiksia perinatal. Menghasilkan matriks relasional menggambarkan hubungan antara faktor-faktor klinis dan risiko asfiksia perinatal. Menganalisis masukan dari ada atau tidaknya ke-61 faktor klinis, sistem mengembalikan tingkat risiko asfiksia perinatal sebagai output. Serangkaian prospektif dikumpulkan dari 304 kasus perawatan perinatal dianalisis untuk memastikan kinerja sistem. Sistem pakar kabur disajikan sensitivitas 76,5% dan spesifisitas 94,8% dalam identifikasi perlunya langkah-langkah resusitasi neonatal lanjut, mengingat nilai cut-off dari 5 pada skala mulai dari 0 sampai 10. Daerah di bawah penerima operasi kurva karakteristik adalah 0,93. Identifikasi situasi risiko memainkan peran penting dalam perencanaan perawatan kesehatan. Hasil awal mendorong kita untuk mengembangkan penelitian lebih lanjut dan untuk memperbaiki model ini, yang dimaksudkan untuk menerapkan sistem tambahan dapat membantu petugas kesehatan untuk membuat keputusan dalam perawatan perinatal.

1.      Introduction

Organisasi Kesehatan Dunia memperkirakan bahwa 3,6 juta bayi yang lahir setiap tahun di negara-negara berkembang mengembangkan asfiksia lahir, membutuhkan resusitasi. Sekitar 900.000 bayi yang baru lahir tersebut meninggal setiap tahun dan sejumlah tetap dengan jangka panjang neurologis gejala sisa akibat fenomena tersebut terjadi sebelum, selama atau segera setelah lahir (1). Peristiwa ini, lebih sering disebabkan oleh perpindahan intrauterin yang tidak tepat oksigen darah ibu ke janin sehingga pasokan tidak memadai akut oksigen ke organ-organ janin dan jaringan, tidak selalu dapat diprediksi atau dicegah dan sering menyebabkan kelahiran bayi mengalami depresi berat yang perlu segera resusitasi terampil di ruang bersalin. Untuk alasan ini, itu adalah akal sehat dalam praktek resusitasi neonatal, dan rekomendasi yang ketat dari Program Resusitasi Neonatal, bahwa kelahiran apapun harus dibantu oleh seorang profesional terlatih khusus dan terampil untuk benar melakukan semua manuver yang diperlukan untuk menyelamatkan bayi yang baru lahir sangat sesak napas.

Namun, untuk alasan operasional dan ekonomis, jarang mungkin untuk mengikuti rekomendasi ini di rumah sakit permintaan rendah dan di negara-negara berkembang (2,3) di mana prediksi pengiriman bayi sesak napas akan sangat penting untuk membantu merencanakan dan mengoptimalkan perawatan pasien dengan yang terbaik tenaga terampil yang tersedia. Bahkan di rumah sakit pendidikan kompleksitas yang tinggi di negara-negara maju, yang biasanya mengikuti rekomendasi ini, antisipasi situasi berisiko tinggi otomatis bisa mengingatkan tim resusitasi neonatal terbaik terlatih.

Para peneliti telah bekerja pada identifikasi faktor risiko dan menciptakan cara memprediksi hasil yang buruk dalam pengobatan perinatal untuk waktu yang lama (4-7). Beberapa inisiatif penting yang diarahkan pada penilaian risiko kematian perinatal (8) dan berat lahir sangat rendah (9). Upaya telah dilakukan untuk mengidentifikasi tingkat keparahan penyakit neonatal dan untuk menciptakan sistem prediktor morbiditas dan mortalitas yang dikenal sebagai "sistem penilaian resiko neonatal", seperti skor untuk fisiologi akut neonatal dan risiko klinis untuk bayi skor (10,11), sangat berguna untuk keparahan penyakit koreksi dalam perbandingan hasil yang diperoleh pada unit neonatal yang berbeda. Namun, tidak ada data yang dipublikasikan tersedia tentang sistem prediksi untuk asfiksia perinatal atau kebutuhan resusitasi neonatal.

Bahkan, seperti yang diamati di daerah lain, pendukung keputusan adalah substrat subur bagi terciptanya teknik sistematis dalam kedokteran. Kemajuan yang mengesankan telah melihat dalam pengembangan yang disebut pakar atau sistem kognitif disarankan untuk diagnostik dan pengambilan analisis keputusan, meniru prosedur mental manusia ahli di daerah tertentu pengetahuan sebagai cara untuk mensimulasikan memori dan penghakiman spesialis. The bukti pentingnya sistem pakar tersebut akan membuat pengetahuan dan pengalaman spesialis 'yang tersedia setiap saat di tempat-tempat di mana mereka sangat dibutuhkan tetapi biasanya tidak tersedia. Dalam perjalanan untuk menjamin prosedur perawatan kesehatan yang lebih tepat dan lebih aman, sistem pendukung keputusan yang semakin hadir dalam himpunan kritis seperti unit perawatan intensif dan gawat darurat (12).

Analisis logis dari proses diagnostik membuat keputusan diagnostik medis setuju untuk menjadi menirukan oleh sistem komputer. Pengembangan sistem tersebut adalah bagian dari bidang penyelidikan disebut kecerdasan buatan, yang dapat didefinisikan sebagai "cabang ilmu komputer yang berkaitan dengan otomatisasi perilaku cerdas" (13). Selama dekade terakhir, kapasitas meningkatnya komputer untuk memproses dan menyimpan data dan melakukan manipulasi logis yang kompleks, berkaitan dengan jaringan dapat segera membuat data dan hasil tersedia di kejauhan, telah mendorong penyebaran pengetahuan medis (14). Teknik matematika dan statistik termasuk pohon keputusan, membedakan analisis dan analisis cluster, antara lain, telah sudah diterapkan di banyak sistem pakar klasik. Baru-baru ini, teori fuzzy set telah berhasil diterapkan dalam kedokteran, khususnya dalam pengembangan sistem pakar kabur (15-20).

Untuk pembuatan sistem pendukung keputusan, penekanan besar ditempatkan pada penafsiran bahasa alami biasanya digunakan dalam praktek klinis. Penggunaan umum tetapi subjektif istilah-istilah seperti "buruk", "lebih baik", "stabil", "sedikit", "banyak", "moderat", "discretely" dan "intens", dan bahkan lintas kode tidak kurang subjektif digunakan dalam deskripsi tanda dan gejala contoh ketidakjelasan data yang akan dimanipulasi. Untuk kualitatif dan kuantitatif berurusan dengan inexactness ekstrim seperti itu, alat khusus harus tersedia (12,19). Teori fuzzy set merupakan salah satu kemajuan yang paling menonjol di daerah ini.

Sejak mengembangkan dan menerapkan komputer sebagai alat diagnostik tambahan tergantung pada pendekatan multidisiplin, review singkat dari beberapa konsep dasar dari teori fuzzy diperlukan demi pemahaman yang terbaik, seperti yang dijelaskan di bawah ini.

2.      Fuzzy sets theory

Teori fuzzy set diperkenalkan oleh Lotfi A. Zadeh, University of California, Berkeley, pada 1960-an sebagai sarana untuk model ketidakpastian dalam bahasa alami. Mekanisme teori fuzzy set yang ditetapkan pada tahun 1965 (21), didasarkan pada gagasan utama Zadeh tentang keanggotaan dinilai, menurut yang ditetapkan bisa memiliki anggota yang dimiliki hanya sebagian. Fuzzy set tersebut memiliki batas-batas yang tidak tepat dan transisi karena itu bertahap dari keanggotaan non-anggota dari suatu unsur dalam himpunan fuzzy yang diamati. Ambisi fuzzy set adalah untuk memberikan interaksi bahasa alami dan model numerik (22).

Dengan demikian, jika kita menganggap bahwa X adalah seperangkat menjabat sebagai semesta pembicaraan, subset A fuzzy X dikaitkan dengan fungsi karakteristik:

µ_A:X ® [0,1], Persamaan. 1

yang umumnya disebut fungsi keanggotaan. Kemudian, untuk setiap x, μA (x) menunjukkan apa x sejauh mana anggota himpunan A. derajat keanggotaan ini menunjukkan tingkat kompatibilitas pernyataan "x adalah A". Menggunakan contoh klinis: mengingat bahwa seseorang mengalami demam ketika memiliki suhu tubuh di atas 37.0ºC, mudah untuk memahami bahwa pasien dengan 38ºC mengalami demam (derajat keanggotaan 1.0). Tapi kita bisa mengatakan, berdasarkan teori fuzzy set, bahwa dua pasien dengan suhu 36.8ºC dan 37.0ºC adalah anggota dari "pasien demam set" juga, dengan tingkat keanggotaan 0,8 dan 0,9, masing-masing.

Set operasi teoritis klasik dapat diperluas untuk set fuzzy, yang memiliki nilai keanggotaan dalam interval (0,1). Jadi, jika kita menganggap bahwa A dan B adalah dua himpunan bagian fuzzy X, serikat mereka adalah bagian C kabur dari X, dinotasikan C = A È B diidentifikasi oleh maksimum (maks) nilai antara A (x) dan B (x) , sehingga untuk setiap x di X (22):

C (x) = max [A (x), B (x)],  Persamaan. 2

Selain itu, persimpangan mereka yang lain kabur bagian D dari X, dinotasikan D = A Ç B diidentifikasi oleh minimum (min) nilai antara A (x) dan B (x), sehingga untuk setiap x di X (22):

D (x) = min [A (x), B (x)], Persamaan. 3

Konsep lain yang penting dalam fuzzy set adalah hubungan kabur. Sebuah relasi R fuzzy antara dua set renyah X = {x} dan Y = {y} didefinisikan sebagai himpunan fuzzy dalam produk Cartesian X x Y, yaitu,

R = {μR (x, y) / (x, y)}, Persamaan. 4

untuk masing-masing (x, y) Î X x Y, di mana μR (x, y): X x Y ® [0,1] adalah fungsi keanggotaan fuzzy relasi R, dan μR (x, y) Î [0, 1] memberikan sejauh mana unsur-unsur x Î X dan y Î Y dalam relasi R sama lain. Karena jenis dasar dari hubungan fuzzy didefinisikan dalam produk Cartesian dari dua set, seperti hubungan kabur kadang-kadang disebut hubungan kabur biner. Namun, konsep ini bisa digeneralisasi untuk n dimensi hubungan kabur (21,22). Sebuah hubungan kabur bisa mengekspresikan parsial (tidak tepat) hubungan antara unsur-unsur beberapa set, sebagai lawan satu yang tepat dalam kasus hubungan renyah di mana setiap elemen baik dapat berhubungan atau tidak. Dalam hubungan kabur kita prihatin tentang hubungan bertahap, dari 1 untuk sepenuhnya dalam kaitannya denga 0 karena tidak terkait sama sekali, melalui semua nilai menengah. Hubungan Fuzzy dapat diwakili dalam bentuk matriks, yang biasanya menyederhanakan komposisi metode hubungan kabur.

Salah satu komposisi yang paling berguna hubungan fuzzy yang disebut komposisi max-min. Komposisi max-min dari dua kabur hubungan R di X x Y dan S di Y x Z, ditulis Romax-menit didefinisikan sebagai hubungan fuzzy X x Z sehingga

μRomax-menit (x, y) = max [min (μR (x, y), mikrodetik (y, z))] yÎY, Persamaan. 5

untuk setiap x Î X dan z Î Z. operasi matematika diungkapkan di atas mirip dengan perkalian matriks, dimana masing-masing matriks menunjukkan hubungan kabur (22,23). Penggunaan persamaan di atas akan dijelaskan dengan contoh di bagian Bahan dan Metode.

Tujuan dari penelitian ini adalah untuk menunjukkan kelangsungan hidup menggunakan teori fuzzy set untuk mengkorelasikan bahasa alami yang digunakan dalam Perinatologi dengan model numerik yang dapat digunakan dalam sistem pendukung keputusan untuk mensimulasikan analisis risiko yang dibuat oleh penilaian ahli.