Análisis de la aplicabilidad de los métodos de solución de problemas de la inteligencia artificial en el problema diagnóstico (página 2)

Desarrollo

A grandes rasgos, el problema del diagnóstico en inteligencia artificial consiste en determinar a partir del conocimiento de las leyes que rigen el comportamiento de un sistema y de un conjunto de medidas, observaciones o síntomas, cuáles son las causas, o los componentes del sistema responsables en última instancia de un posible comportamiento anómalo.

El problema del diagnóstico ha sido estudiado ampliamente en el campo de la inteligencia artificial. Son ya clásicos algunos de los sistemas de diagnóstico que ha producido esta rama del saber; así, puede citarse el sistema MYCIN [Shortliffe,1976], para diagnóstico y tratamiento de enfermedades infecciosas de la sangre, INTERNIST [Pople,1977], un sistema experto de consulta en el dominio de la medicina interna, CASNET [Weiss,1978], para diagnóstico médico del glaucoma, o más recientemente sistemas como MDX [Chandrasekaran,1979], también para diagnóstico médico, SOPHIE-III [Brown,1982], para monitorización, diagnóstico y enseñanza de circuitos electrónicos digitales, etc.

Atendiendo al conocimiento que emplean los diversos sistemas para resolver el problema del diagnóstico, se pueden considerar dos grandes grupos:

Los sistemas basados en reglas heurísticas, también llamados RBR (Rule-Based Reasoning) y los sistemas basados en modelos, MBR (Model-Based Reasoning)*. Estos dos grupos de sistemas son los que han tenido una mayor repercusión en el campo del diagnóstico, sin embargo existen también propuestas alternativas como los sistemas basados en la reutilización de casos anteriormente resueltos, CBR (Case-Based Reasoning). y recientemente están apareciendo algunas propuestas mixtas que combinan varias de estas estrategias.

Los sistemas de diagnóstico basados en reglas heurísticas aparecen cronológicamente antes, a finales de los años 70, y se desarrollan durante toda la década de los 80 aprovechando el auge de la primera generación de sistemas expertos. Estos sistemas intentan codificar, en general mediante reglas del tipo "SI..ENTONCES" el conocimiento que un experto humano aplica en la resolución de un problema, intentando emular su comportamiento. Estas reglas se elaboran a partir de la intuición, o bien a partir de resultados estadísticos más o menos simplificados, dando lugar a piezas aisladas de conocimiento.

A raíz de ciertas críticas sobre la pretendida "inteligencia" de estos sistemas basados en reglas heurísticas, surge la idea de los llamados sistemas expertos de segunda generación o sistemas de conocimiento "profundo", en los que se pretende incorporar conocimiento estructurado en forma de reglas, marcos o redes causales, sobre la estructura del sistema físico objeto de diagnóstico, así como las dependencias funcionales existentes entre sus componentes. Esto permite identificar los posibles problemas a distintos niveles de análisis.

A mediados de los años 80, emerge una nueva modalidad de sistemas de diagnóstico basados en la construcción de modelos del sistema físico que se intenta diagnosticar, en línea con los sistemas de conocimiento "profundo". La característica primordial de este tipo de sistemas es que incorporan un cierto conocimiento sobre el funcionamiento y la estructura del sistema físico, y no sólo un conjunto de reglas para resolver algunos casos conocidos.

Este tipo de sistemas son especialmente apropiados cuando la estructura del sistema físico, sus componentes y sus relaciones son bien conocidas, como es el caso de los sistemas físicos naturales o artificiales que implican procesos, tales como circuitos electrónicos, motores, plantas industriales, etc. El sistema físico es descrito mediante un conjunto de modelos que definen el comportamiento de sus componentes cuyas conexiones conforman la estructura del sistema.

Usando estos modelos y un conjunto de observaciones el problema del diagnóstico se reduce a determinar cuales de estos componentes se comportan de forma diferente a la prevista por su modelo. El conocimiento que se necesita para los sistemas de diagnóstico basado en modelos no necesita ser elaborado previamente de forma específica para la resolución de problemas de diagnóstico y por tanto puede obtenerse más fácilmente a partir de las descripciones técnicas del sistema o a partir de estudios locales del funcionamiento de cada uno de los componentes. Uno de los dominios en los que se ha utilizado más extensamente el diagnóstico basado en modelos es en los circuitos electrónicos digitales. (1)(2)(3)

Se hará una revisión de los principales sistemas y métodos empleados en inteligencia artificial para resolver el problema del diagnóstico, comenzando por los primeros sistemas expertos, estudiando el clásico sistema MYCIN [Shortliffe,1976], y los sucesivos desarrollos que proponen una generalización del sistema, planteando las principales críticas aplicables a este tipo de sistemas, hasta llegar a la idea de clasificación heurística propuesta por Clancey [Clancey,1985]. Se estudia asimismo la línea seguida por el grupo de McDermott, en la que se destaca por su aplicación al problema del diagnóstico el sistema MOLE, [Eshelman,1987], una de cuyas principales características es la inclusión de un método automático de adquisición del conocimiento. Años más tarde, a partir de las experiencias de este sistema y del sistema SALT [Marcus,1989] se construye el entorno de desarrollo de sistemas inteligentes PROTÉGÉ [Musen,1989]. Este entorno propone una metodología propia para el desarrollo de los sistemas inteligentes, que actualmente se está desarrollando en el sistema PROTÉGÉ-II, [Puerta,1993]. Otra línea de sistemas expertos de diagnóstico que da lugar a propuestas metodológicas es la seguida por el grupo de la Universidad de Ohio, que se inicia con la aparición del sistema experto MDX [Chandrasekaran,1979], en donde claramente se pone de manifiesto el problema del "conocimiento profundo" de los sistemas expertos y que posteriormente evoluciona dando lugar al concepto de Tarea Genérica [Chandrasekaran, 1986]. En esta línea los trabajos más recientes, [Chandrasekaran,1992], también están encaminados hacia propuestas metodológicas centradas en la idea de Tareas Genéricas y Métodos.

 El problema del diagnóstico encuentra otra vía de formulación desde un planteamiento, al que se podría denominar matemático, basado en la teoría del recubrimiento. El problema se plantea, dada una relación (en el sentido matemático del término), entre un conjunto de disfunciones y un conjunto de síntomas, como la solución al problema de hallar el menor subconjunto de disfunciones que recubren por completo el subconjunto de síntomas presentes en un determinado caso. Los trabajos iniciales en este campo se deben a [Reggia,1983], y posteriormente se han completado con planteamientos probabilísticos y planteamientos en los que la relación entre disfunciones y síntomas se obtiene mediante composición de una o varias relaciones simples [Peng,1990]. En esta línea son también interesantes los planteamientos que estudian el problema incorporando conocimiento sobre las posibles agrupaciones de síntomas debidos a una misma causa [Wu,1990].  

Por último, se presentan las propuestas de diagnóstico basado en modelos. Esta línea surge, en parte, como consecuencia de los trabajos llevados a cabo en el campo de los sistemas tutoriales inteligentes por parte del equipo de Xerox Parc formado por John S. Brown, Johan deKleer, y Brian Williams, que dió lugar a tres generaciones del sistema SOPHIE [Brown,1982]. El objetivo de estos sistemas es la enseñanza del funcionamiento de los circuitos electrónicos. La raíz común entre los sistemas de diagnóstico y los sistemas de enseñanza es que ambos deben tener conocimiento sobre el funcionamiento del sistema físico, y deben ser conscientes del mismo, tanto para explicar las causas que justifican su comportamiento normal, como las posibles causas que explican un comportamiento anormal. Siguiendo esta línea se encuentran las primeras ideas de diagnóstico basado en la estructura y el comportamiento de los sistemas [Davis,1983], el sistema general de diagnóstico GDE [deKleer,1987] y sus sucesivas propuestas complementarias, como el sistema Sherlock, que incluye modelos de fallos [deKleer,1989], o la estrategia de focalización en los diagnósticos más probables [deKleer,1991], así como el sistema XDE [Hamscher,1991]. Desde una perspectiva formal, resultan muy interesantes las formulaciones lógicas del problema del diagnóstico propuestas por el trabajo de [Reiter,1987], en el que de forma independiente se propone un método de resolución automática aplicado a este tipo de problemas. Este planteamiento lógico se completa años más tarde con la formulación para el caso en que existan modelos de fallo [deKleer,1992]. En esta línea, son también destacables los trabajos de Oliver Raiman, sobre el principio de la coartada [Raiman,1989] que plantea el problema desde una perspectiva aún más rigurosa, culpando o exonerando a cada uno de los componentes del circuito del comportamiento global del mismo.(2)(4)(5)

Existen diferentes enfoques para resolver problemas de diagnóstico, en los cuales se usan distintos tipos de conocimiento y mecanismos de inferencia. En el enfoque asociativo se usa un conocimiento que enlaza los síntomas a fallas de una manera directa. En el enfoque basado en modelos se explota un modelo del equipo bajo consideración, a partir del cual se pueden derivar las expectativas.

El interés por el Razonamiento Basado en Modelo(RBM) surgió a partir del deseo de captar razonamiento basado en la comprensión de como un dispositivo trabaja [DAV 93]. Consideremos por ejemplo, un automóvil que presenta los siguientes síntomas: no arranca después de abierta la llave de ignición pero el radio trabaja. Mucha gente pudiera pensar que el iniciador puede haberse dañando pero la batería esta bien, a partir de razonar sobre la base de un simple modelo de estructura (hay una sola batería) y comportamiento (las baterías suministran energía los dispositivos).

Conocimientos de como algo se supone trabaje constituyeron los orígenes para desarrollar diagnósticos a los equipos.

Precisamente el RBM trabaja a partir de la descripción de la estructura y comportamiento (es decir, desde el esquema y una conexión inesperada no se tiene una descripción precisa en el dispositivo.

En un diagnóstico basado en modelos, los modelos deben incluir la organización física y funcional de cada componente, deben ser capaces de simular salidas a partir de supuestas entradas e inferir entradas desde observaciones realizadas.

En los sistemas basados en reglas estas relacionan de modo causal síntomas y explicaciones. Cuando la cantidad de explicaciones posibles es pequeña se puede tratar el diagnóstico como un problema de clasificación, y en este caso se pueden emplear modelos de clasificación como los que se usan en reconocimiento de patrones o redes neuronales artificiales; pero si el conjunto de explicaciones no puede ser fácilmente enumerado se puede ver el diagnóstico como el problema de crear una explicación.

En [BEN] al analizar la problemática del diagnóstico se ve esta tarea como consistente de tres subtareas:

Detección de los síntomas.

Generación de hipótesis.

Discriminación de la hipótesis.

Los síntomas se identifican a partir de las observaciones y las expectativas del modelo existente, ellos dirigen la generación de las hipótesis y finalmente éstas son discriminadas considerando información adicional; esto da como resultado un conjunto de hipótesis consistentes (con respecto a las observaciones), el cual se puede aceptar como un diagnóstico o puede ser refinado aún más.

Cada subtarea puede descomponerse a su vez en otras subtareas. Así por ejemplo, la detección de los síntomas puede considerarse consistente de: la observación, la generación de expectativas y la comparación. La generación de hipótesis puede realizarse por diferentes métodos de solución de problemas entre los que pudiéramos citar el método empírico y el método basado en modelos. Finalmente la discriminación de hipótesis puede dividirse en dos subtareas, la colección de datos y la interpretación de datos.

Generar un diagnóstico desde un punto inicial es una tarea que consume tiempo. Sin embargo, en casi todos los dominios en el que se usa el diagnóstico existe la regularidad suficiente como para emplear un enfoque basado en casos para generar un diagnóstico de probada eficiencia. Por supuesto, que aún así, el resultado del diagnóstico no puede asumirse como respuesta definitiva, él debe ser validado; pero la validación es mucho más fácil que la generación del diagnóstico partiendo del planteamiento del problema.(5)(6)

En el diagnóstico basado en casos se usan los casos para proponer las explicaciones a los síntomas o alertar sobre explicaciones que fueron inapropiadas en el pasado. Los casos previos permiten generar una hipótesis sobre el diagnóstico del nuevo problema, esta hipótesis ofrece un razonamiento rápido y permite evitar errores anteriores. Además orienta la atención sobre rasgos del problema que podrían no haberse considerado si se utiliza otro tipo de razonamiento. Los sistemas de diagnóstico basados en casos descansan en la hipótesis de que si los síntomas de dos problemas son similares su diagnóstico será semejante.

Para las tareas de diagnóstico basados en casos son aplicables tanto los sistemas interpretativos como los solucionadores de problemas. Ejemplos elocuentes de esta afirmación los referenciaremos en epígrafe posterior a este; aunque según nuestro criterio éste es uno de los tipos de tareas donde los sistemas interpretativos resultan más adecuados. En el modo interpretativo los síntomas o rasgos que indican el mal funcionamiento sugieren, a priori o por algún mecanismo de inferencia simple, una causa de falla. Con esta información se realiza la recuperación de los casos semejantes que aportarán los argumentos o la justificación para afirmar o rechazar la causa supuesta. La consideración a priori de esta causa es similar a lo que sucede en los sistemas basados en reglas cuando se utiliza una búsqueda dirigida por objetivo; pues en este caso la causa supuesta es el objetivo a probar y el sistema tratará de encontrar la secuencia de reglas que relacionan los síntomas con el objetivo.

El modelo que se propone en próximos capítulos permite realizar la discriminación de la hipótesis usando un enfoque basado en casos; la red neuronal empleada en el modelo se puede usar para la generación de las hipótesis, dicho modelo fue implementado en el Sistema Inteligente de Selección de Información ( SISI).

7.2. Ejemplos de Sistemas Basados en el Conocimiento para resolver problemas de diagnóstico.

MYCIN constituye el primer SE aplicado a un problema real y precisamente se diseñó para dar solución a problemas de diagnóstico médico. Este sistema constituyó un proyecto cooeperado entre el Dpto de Ciencia de la Computación y la Escuela de Medicina de la Universidad de Stanford, su objetivo era diagnosticar y a su vez remitir recomendaciones de tratamiento de la meningitis y la bacteremia, ambas infecciones de la sangre.

Posteriormente se desarrollan múltiples ejemplos de SE entre los que podemos citar: CADUCEUS desarrollado por Pople, Myers and Miller en 1975 para diferentes diagnósticos de medicina interna, el cual llegó a representar en una red semántica más de 100 000 asociaciones entre enfermedades y síntomas, PUFF para el diagnóstico de enfermedades pulmonares de Feigenbaum en 1977 y CASNET un SE para diagnósticos y tratamiento de la glaucoma construido a partir de EXPERT (lenguaje para la construcción de SE) que ha favorecido el diseño de otros muchos en el área de la oftalmología, la endocrinología y la reumatología.

Los primeros SE desarrollados en esta área utilizaron como formalismo de representación del conocimiento las reglas de producción y como MSP el algoritmo primero en profundidad con búsqueda dirigida por objetivos fundamentalmente. En particular en medicina se reconocieron como poderosas herramientas desde el punto de vista clínico e investigativo señalándose entre sus ventajas principales:

El mejoramiento de la precisión del diagnóstico

La alta disponibilidad del know-how médico

Homogenización de los tratamientos independientemente del cambio del equipo médico

El interés por el desarrollo de estos sistemas así como la implementación de variadas herramientas que facilitaban el proceso de adquisición del conocimiento, construcción de la base de conocimiento y el desarrollo y prueba de los mismos desencadenó el diseño de múltiples SE de ayuda al diagnóstico. En IFIP-IMIA International Working Conference on Computer Aided Medical Decision-Making se presentan distintos trabajos en tal sentido, uno de ellos [VAN 85] es un prototipo para el diagnóstico y tratamiento de la epilepsia usando reglas para representar el conocimiento de los expertos.

NEUREX [STA 95] constituye un sistema experto tutorial que imita el proceso de diagnóstico de un neurólogo, ayuda al usuario en la planificación de pruebas y la interpretación de sus resultados y asegura que se alcancen diagnósticos más adecuados. El mismo fue implementado sobre PROLOG.

En [SPY 95] se analizan las ventajas reportadas por los sistemas inteligentes en medicina al incrementar la eficiencia de los procedimientos de diagnóstico y tratamiento analizándose como la información médica puede estructurarse por varios modelos.

En particular, se hace alusión al modelo causal, al probabilístico y al razonamiento basado en casos y se enumeran debilidades de uno con respecto a otro considerándose el último con mejores bondades para resolver estos problemas.

Los SE además de ser una herramienta de ayuda al diagnóstico son evaluados como muy útiles en la toma de decisiones en el área de la medicina [AUR 96]. Auramo y Juhola desarrollaron un SE en otoneurología denominado ONE con resultados muy favorables. En ONE se transforma un problema de diagnóstico en un problema de reconocimiento de patrones, siendo las clases los tipos de diagnósticos a inferir y la aplicación del algoritmo del vecino más cercano el método empleado para la clasificación. ONE supera a VERTIGO [MIR 90] tanto en los problemas que aborda como en los resultados que alcanza.

Otro ejemplo donde se trabaja el diagnóstico como un problema de clasificación es [SAL 96], donde se presenta un sistema inteligente que realiza el diagnóstico a partir de imágenes complejas. A partir de una imagen médica digitalizada clasifica esta en una de las cuatro clases propuestas (patología reconocida, no-existencia de la patología, diferente patología desde una buscada reconocida y patología desconocida). La base de conocimientos se crea a partir de ejemplos de imágenes. El sistema ha sido exitosamente probado con imágenes de tórax para diagnosticar casos de pneumotórax.

Los sistemas basados en modelos también se han utilizado fundamentalmente en problemas de diagnóstico, estos analizan el comportamiento del sistema representado para identificar los fallos responsables del mal funcionamiento, sin embargo el objetivo de la mayoría de las aplicaciones de diagnóstico es la reparación de los problemas encontrados. A partir de un ejemplo en [FRI 93] se ilustra como conceptos tradicionales de diagnóstico pueden ser mejorados con una integración de reparación y para ello trabaja sobre una red de transmisión de energía

Usando RBC se han desarrollado variados en el área de diagnóstico. En la literatura consultada se encuentran entre otros: BOLERO [LOP 91], FRANK [RIS 93], EAD [FER 93], CASEY [KOT 88], PROTOS [BAR 89], SHRINK [KOL], COSYL[SWO 94], Case-Based Help System [KRI 93] y CASCADE [SIM92], muchos de los cuales se desarrollan en el área de la medicina. Se aprecia alta tendencia en particular a la conformación de sistemas híbridos que combinan la tecnología del RBC con otros métodos como son los empleados por los sistemas basados en reglas, los sistemas basados en modelos y los sistemas de planificación, aprovechando las ventajas que aportan cada uno. Enumeremos algunas características de estos sistemas.

BOLERO, considerado un planificador basado en casos, combina realmente la planificación y el diagnóstico. Sus autores ven la tarea de diagnóstico como un proceso incremental en el cual se obtienen paso a paso nuevas evidencias que guían la búsqueda en los pasos siguientes. Aparecen integrados en este producto un sistema basado en casos y un sistema basado en reglas, donde el razonador basado en casos actúa como el planificador del sistema basado en reglas, mientras que éste posee un escaso conocimiento sobre la estrategia de búsqueda a seguir.

El sistema basado en casos construye los planes de acuerdo al estado de la memoria de trabajo del sistema basado en reglas, y la máquina de inferencia de este último ejecuta esos planes.

Este modelo es muy adecuado para el diagnóstico médico, pues se caracteriza por utilizar información incompleta e imprecisa que hacen necesario poder alterar dinámicamente el plan de búsqueda trazado. La base de casos del sistema es la memoria de planes, la cual se organiza a partir del uso de índices. Sin embargo, atendiendo a las reiteradas búsquedas que se efectúan en la misma, deberían valorarse otras formas de organización que facilitarán el acceso a los planes.

El sistema PNEUMON-IA es una aplicación del sistema basado en casos BOLERO al diagnóstico médico para determinar el agente causante de la Pneumonía [LOP 91] [LOP 94].

Este sistema se basa en los datos clínicos, analíticos y radiologías de pacientes hospitalizados con esta enfermedad. Considera 21 tipos de microorganismos que pueden originar la Pneumonía y produce para cada problema que se le presenta una lista de las etiologías más probables, etiqueteando a cada con un número hasta el 8.

FRANK (Flexible Report and Analysis System) constituye un sistema de pizarrón (blackboard) híbrido que integra RBC, razonamiento basado en reglas y componentes de planificación, para generar un reporte de un diagnóstico médico. La arquitectura del sistema se divide en tres componentes básicas, la de control, razonamiento del dominio y generación de reportes.

El control se provee por un planificador que selecciona un plan apropiado desde su biblioteca y entonces ejecuta la jerarquía de planificación necesaria para instanciar esta. Las capacidades de razonamiento del dominio incluyen un módulo de RBC con varias opciones de procesamiento, un sistema de producción OPS5 [BRO 85] así como recursos de conocimientos que incorporan razonamiento procedural.

Estas capacidades de razonamiento del dominio se invocan por el planificador para ejecutar el plan. Finalmente el generador de reportes usa conocimiento retórico para generar reportes para el usuario. Para soportar las distintas componentes se desarrollaron varias jerarquías: la jerarquía de reportes, la jerarquía de estrategias de solución de problemas (administradas por el planificador) y la jerarquía de estrategias de presentación, la que ayuda a la generación de reportes.

SHRINK es un sistema basado en casos del tipo solucionador de problemas específico para el diagnóstico en siquiatría. En este sistema se usa un caso previo para generar una hipótesis sobre el diagnóstico del nuevo caso. La estimación de la similaridad se combina con el proceso de clasificación, y todos los casos similares se almacenan en la jerarquía bajo la misma clasificación. Si a pesar de esto, el caso recuperado no es útil, el sistema usa la clasificación secundaria basada en fallos. Un caso que se recupera por esta vía se asume por el sistema que tiene mayor similaridad con el problema debido a que ambos en su desarrollo tuvieron un fallo similar en su comportamiento anterior.

Al igual que en el sistema anterior, CASEY constituye un sistema basado en casos tipo solucionador de problemas pero está dirigido al diagnóstico de problemas del corazón. Este sistema es un sistema basado en el modelo más completo, el cual es la fuente de la biblioteca de casos iniciales para el diagnóstico.

Este modelo causal se usa para inferir la equivalencia e importancia de los rasgos. El sistema toma una descripción de los síntomas del paciente y produce con ellos una red causal de estados internos; por tanto en la comparación no sólo usa los síntomas actuales, sino también estados patológicos que él infiere. Cuando se presenta un nuevo caso, el sistema busca los casos de pacientes con síntomas similares, no necesariamente idénticos al del problema. Si encuentra un caso que se asemeje lo suficiente CASEY trata de adaptar el diagnóstico recuperado para lo cual usa el modelo causal teniendo en cuenta las diferencias entre el problema y los casos. Como la adaptación se basa en un modelo causal válido, el diagnóstico es preciso como si estuviera hecho desde cero en ese mismo modelo, lo que hace al sistema más eficiente.

Tanto en FRANK como en CASEY se desaprovecha la información cotidiana con que trabajan los especialistas, digamos por ejemplo, las historias clínicas que pudieran estar almacenadas previamente en Bases de Datos. Se eliminaría así, la necesidad preliminar de crear información que conformará la Base de Casos. En otras palabras ellos usan analogía derivacional en lugar de transformacional.

PROTOS es un sistema basado en casos del tipo interpretativo para el diagnóstico de trastornos auditivos. Se diseñó de forma tal que los casos se usan para señalar la forma en que se razonaron experiencias previas para llegar a la predicción. En ese dominio de aplicación, muchos de los diagnósticos se manifiestan de forma similar y sólo existen diferencias no sustanciales, a partir de la retroalimentación con el usuario. PROTOS aprende cuales son esas diferencias.

La similitud entre el problema y los casos recuperados se estima a partir de una explicación de cómo los rasgos brindan una evidencia equivalente para una clasificación. La similitud final se basa en la evaluación heurística de la calidad de la explicación anterior y en la importancia de los rasgos no similares. Sin embargo, sería aconsejable tener en cuenta la importancia de rasgos similares y no sólo la importancia de los rasgos no similares.

La base de casos se organiza por clases; PROTOS primeramente elige la clase correspondiente con el nuevo problema y luego el caso más similar de esa clase. Aprende a clasificar irregularidades de la audición a partir de descripciones de rasgos en términos de síntomas de los pacientes, historia y resultados de pruebas a las cuales se somete al mismo, almacenadas con 200 casos secuenciales (en 24 categorías).

COSYL (for Consiliar System for Liver-transplanted patients) es un sistema basado en casos diseñado como un auxiliar al equipo médico para el tratamiento postoperatorio de pacientes transplantados. Este sistema construye la base de conocimiento a partir de una base de datos relacional con cerca de 200 pacientes, para la equivalencia con un caso similar usa un árbol de posibles complicaiones. COSYL visualiza el posible diagnóstico de una complicación o deriva recomendaciones de investigaciones a practicar.

EAD (Explanation Aided Diagnosis) es un sistema de diagnóstico basado en modelos con un módulo de RBC, concebido para el diagnóstico de dispositivos complejos. El módulo basado en modelos se usa para identificar experiencias relevantes y el módulo basado en casos critica los resultados obtenidos por éste y también ayuda a considerar hipótesis alternativas no exploradas.

El sistema basado en casos CASCADE se creó para facilitar la respuesta a los clientes que reportan fallas en el sistema operativo VMS de la Digital Equipment Corporation. En este sistema cada caso contiene rasgos superficiales que ofrecen información sobre la falla y el ambiente en que ocurrió la misma, rasgos derivados relevantes y punteros a las funciones que permitieron derivarlos, y la acción de reparación que resuelve el problema.

Se utiliza un algoritmo de recuperación bidireccional (recuperación validada) que a partir de los síntomas o rasgos generales de la falla, selecciona un conjunto de casos y se basa en el contenido de estos, para obtener nuevos rasgos que permitan seleccionar los casos más apropiados; sólo cuando todos los rasgos superficiales y derivados se correspondan con los del problema, se selecciona el caso. Este sistema no oferta una solución para aquellas situaciones en que no exista una correspondencia completa entre un caso y el problema, lo cual puede presentarse en la vida práctica, debería sugerir en dicho caso posibles soluciones.

Otro ejemplo de sistema basado en casos para problemas de diagnóstico en sistemas de computación es el Case-Based Help Desk System. El desarrollo del mismo partió del estudio de cientos de casos recopilados por el grupo responsable de dar atención a las PC de una región. Cada caso consistía de un número para la identificación del problema, una descripción inicial del mismo, así como el análisis y recomendación del operador.

El sistema cuenta con un procesador de textos el cual identifica la información que resulta de interés para la búsqueda y un sistema híbrido de recuperación de casos que realiza la selección de casos en dos etapas. En la primera usa un árbol de decisión que selecciona un conjunto de casos y luego aplica una función de semejanza que recupera los casos mejores. No resulta del todo adecuada la identificación de la información a partir de un procesador de textos si se analizan las desventajas que esto conlleva. Además, dicha búsqueda debe llevar aparejada el manejo de varias técnicas de procesamiento de lenguaje natural como es el análisis de palabras claves, lo cual constituye un proceso complejo.(2)(3)(6)

Bibliografía revisada

1. UNIVERSIDAD ALAS PERUANAS" FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICACURSO: INFORMES TÉCNICOSTEMA: "INTELIGENCIA ARTIFICIAL" PROFESOR: ING. OSCAR MUJICA RUÍZ.2005

2.Colectivo de autores.Univ.Guadalajarra.Aplicaciones de la inteligencia artificial.2002.165-173

3. Ricardo Conejo Muñozconejo[arroba]lcc.uma.esDpto. de Lenguajes y Ciencias de la ComputaciónUniversidad de Málaga EL PROBLEMA DEL DIAGNOSTICO EN INTELIGENCIA ARTIFICIAL. 2005

4"INTELIGENCIA ARTIFICIAL" PROFESOR: ING. OSCAR MUJICA RUÍZ.2005

5. Inteligencia. Diccionario terminológico de ciencias médicas 11 ed. Barcelona: Salvat, 1990:533.

6. José María Filgueiras Nodar. Un panorama general de la inteligencia artificial y sus aplicaciones actuales.2005

7.Galvez Lio . Daniel . Sistemas basados en el conocimiento.UCLV(2006):4-37.

9. Rích E. Inteligencia artificial. 2da ed. McGraw-Hill, Interamericana de España, 1994:135-7.

Autor:

Alexander Sánchez Arbolaez

Doctor en medicina 1997.Diplomado en idioma inglés en 1997.Diplomado en idioma francés 2002. Diplomado en ofimática 20003.Especialista en medicina general 2005.

Cuba, Santa Clara

Diciembre de 2006.