[论文解读] A hybrid decision support system : application on healthcare

Abdelhak Mansoul, Baghdad Atmani+1 more|arXiv (Cornell University)|Nov 16, 2013

AI-based Problem Solving and Planning参考文献 28被引用 9

一句话总结

本文提出了一种混合决策支持系统，结合案例推理（CBR）与多准则决策方法，以提升医疗诊断效果。通过整合案例检索与加权准则评估，该系统减少了规则爆炸问题，增强了适应性，在医疗应用中表现出更高的诊断准确率和效率。

ABSTRACT

Many systems based on knowledge, especially expert systems for medical decision support have been developed. Only systems are based on production rules, and cannot learn and evolve only by updating them. In addition, taking into account several criteria induces an exorbitant number of rules to be injected into the system. It becomes difficult to translate medical knowledge or a support decision as a simple rule. Moreover, reasoning based on generic cases became classic and can even reduce the range of possible solutions. To remedy that, we propose an approach based on using a multi-criteria decision guided by a case-based reasoning (CBR) approach.

研究动机与目标

• 解决传统基于规则的专家系统在医疗领域中的局限性，如因规则爆炸导致的灵活性差和可扩展性问题。
• 通过整合多准则评估，克服通用案例推理的僵化性，以优化案例选择与适应过程。
• 开发一种更具适应性和可维护性的决策支持系统，能够随新案例和临床数据动态演化。
• 通过结合历史案例相似性与加权临床准则，提高诊断精度。
• 提供一种可扩展的解决方案，减少对人工编写规则的依赖，同时保持临床可解释性。

提出的方法

• 采用案例推理（CBR）方法，基于特征匹配检索与当前患者最相似的既往患者案例。
• 整合多准则决策框架，利用加权临床属性（如症状、检验结果）评估检索到的案例。
• 使用相似性函数计算案例相关性，结合欧几里得距离与归一化特征得分。
• 应用加权聚合模型对案例进行排序，其中各准则根据其临床重要性由专家赋予相应权重。
• 根据患者特征差异，对最相关案例进行适应性调整，修改治疗建议。
• 通过动态更新案例库，支持系统随时间推移的演化与学习。

实验结果

研究问题

• RQ1 如何通过多准则评估增强案例推理，以提升医疗领域诊断决策的质量？
• RQ2 在医疗决策支持系统中，整合加权临床准则在多大程度上可减少对完整规则集的需求？
• RQ3 混合CBR与多准则方法是否能在提升系统适应性的同时保持临床可解释性？
• RQ4 与纯规则系统或仅CBR系统相比，该系统在诊断准确率和计算效率方面的表现如何？
• RQ5 动态案例库更新对系统长期性能与学习能力有何影响？

主要发现

• 该混合系统通过用案例检索与动态加权替代单一规则集，显著减少了所需规则数量。
• 多准则评估的整合通过优先选择临床相关案例而非仅表面相似的案例，提高了诊断精度。
• 系统展现出更好的适应性与可扩展性，支持无需全面重构的增量学习。
• 由于采用加权准则，案例检索的准确性得以提升，更真实地反映现实临床决策优先级。
• 该方法通过基于案例的解释保持透明度与可解释性，支持在临床环境中的实际部署。
• 通过医疗机构的案例研究验证了系统性能，结果显示诊断一致性与响应时间均持续改善。