english version wersja do druku
	kwartalnik ISSN 0500-7208 Czasopismo punktowane przez KBN, Index Copernicus oraz w bazie GBL

Wyniki naszego doświadczenia w leczeniu kamicy układu moczowe-

go za pomocą ESWL i ich weryfikacja metodą zbiorów przybliżonych mogą być wykorzystywane do budowy bazy danych i wiedzy dla kom- puterowego systemu doradczego. Badając nowego chorego z kamicą system brałby pod uwagę najbardziej istotne atrybuty z punktu widze- nia ich najbliższej zależności przyczynowo-skutkowej z klasyfikacjami ? efektami leczenia. Przyjmując atrybuty istotne za reprezentację zredu- kowanych systemów informacyjnych w dwóch klasyfikacjach, wypro- wadzono reguły decyzyjne, w których atrybuty istotne są warunkowy- mi, a atrybutami decyzyjnymi poszczególne wartości przyjętych klasy- fikacji. W tym celu posłużono się systemem informatycznym Rough DAS z zaimplementowanym algorytmem generowania reguł decyzyjnych LEM2[2,4, 5].

Ekspert-klinicysta, w rezultacie analizy danych chciałby otrzymać zbiór jednoznacznych reguł decyzyjnych. Pomaga mu w tym stosowanie regu- ły decyzyjnej – algorytmu (jest to schemat postępowania, prowadzący do rozwiązania określonego zadania) oraz zastosowanie metody zbiorów przybliżonych. Jedną z cech metody zbiorów przybliżonych jest to, że ra- dzą sobie one bardzo dobrze z interpretacją nierozróżnialności danych dzięki mechanizmowi przybliżeń, co pozwala na wykorzystanie jej do po- szukiwania reguł decyzyjnych. Zastosowanie metody zbiorów przybliżo- nych pozwala otrzymać dwa rodzaje reguł decyzyjnych: reguły dyskry- minujące (deterministyczne) i reguły częściowo dyskryminujące (niede- terministyczne). Reguły deterministyczne jednoznacznie określają nam za- leżności i podpowiadają konkretną decyzję; w regułach niedeterministycz- nych nie ma jednoznaczności w relacjach między przebiegiem po zabiegu (klasyfikacja pierwsza) lub skutecznością leczenia (klasyfikacja druga) a wartościami poszczególnych atrybutów istotnych. Uzyskano dużu liczbę reguł, odpowiednio 120 dla pierwszej i 125 dla drugiej klasyfikacji [3,4]. Z punktu widzenia praktyki klinicznej naturalne jest branie pod uwagę przede wszystkim tych reguł decyzyjnych, które poparte są największą liczbą przypadków. Wydaje się, że te najsilniejsze reguły są właściwą re- prezentacją naszego dotychczasowego doświadczenia.

Dla klasyfikacji pierwszej przykłady reguł decyzyjnych opartych na atrybutach istotnych są następujące:

?wiek 41-60, operacje przebyte lub nie, bóle okolicy lędźwiowej lub pobolewania, objawy dyzuryczne lub bez, wielkość złogu 6-10 mm

? przebieg po zabiegu bez powikłań,

?wiek 41-60, silne dolegliwości bólowe, złóg kielichowy ? przebieg bez powikłań,

?silne dolegliwości bólowe, beż objawów dyzurycznych, złóg kielicho- wy, wielkość 6-10 mm ? przebieg bez powikłań, ?wiek do 40 lat, złóg kielichowy rozsiany ? przebieg bez powikłań,

?bez objawów dyzurycznych, nie ma krystalurii, złóg kielichowy roz- siany, wielkość 6-10 mm ? przebieg bez powikłań.

Dla klasyfikacji drugiej przykłady reguł decyzyjnych opartych na atry- butach istotnych są następujące:

?wiek powyżej 60 lat, bez objawów dyzurycznych, nie ma krystalurii, nie ma złogów kielichowych, wielkość złogu 11-20 mm ? pacjent wyleczony,

?inne objawy dyzuryczne, złóg w moczowodzie ? wyleczony,

?silne dolegliwości bólowe, nie ma objawów dyzurycznych, wielkość złogu 6-10 mm ? wyleczony,

?krystalurii nie ma, złóg w moczowodzie wielkości 6-10 mm ? wyle- czony,

?wiek do 40 lat, chory nie operowany, kolka nerkowa, poszerzony układ zbiorczy ? wyleczony.

Jakie więc znaczenie mają reguły ?słabsze”, poparte mniejszą, lub zu- pełnie małą liczbą przypadków, nierzadko tylko jednym przypadkiem?

Reguły te nabierają właściwego znaczenia w kontekście całego zbioru reguł w komputerowym systemie doradczym. W systemie tym każdy nowy przypadek opisany zbiorem atrybutów istotnych uzupełnia i wzbo- gaca nasze doświadczenie na drodze przyrównania do reguł już istnieją- cych lub dopisania do systemu, jako nowego doświadczenia. Tak skon- struowany i każdy inny komputerowy system doradczy nie ma i nie może zastąpić lekarza w jego typowych działaniach, nie może zwalniać go od myślenia, czy krępować jego decyzji, może być jednak wykorzy- stany dla wypracowania decyzji w przypadkach wątpliwych oraz pod- trzymywać jego decyzję w tzw. przypadkach oczywistych [1].

WNIOSKI Na podstawie teorii zbiorów przybliżonych powstała w Klinice Uro- logii A. M. w Poznaniu baza wiedzy o naszych dotychczasowych do- świadczeniach z leczenia kamicy moczowej za pomocą ESWL. Jest ona podstawą systemu doradczego przy kwalifikowaniu nowych chorych z kamicą układu moczowego oraz formalnej weryfikacji wskazań do tego zabiegu. Lekarz praktykujący oczekuje od systemu doradczego reguł krótkich (mała liczba atrybutów) i silnych (opartych na dużej liczbie przy- padków). Reguły ?słabe” posłużą do opracowywania przypadków ka- zuistycznych.

1. [1] Kwias, Z. i inni: Clinical experiences in treatment of urinary tracfs stones
2. using Dornier MPL 9000 lithotriptor. Nowiny Lekarskie, 2, str. 15-24.
3. [2] Pawlak, Z.: Rough Sets. Theoretical Aspects of Reasoning About Data. Kluwer
4. Academic Publishers. Dordrecht, 1991.
5. [3] Słowiński, K., Stefanowski, J., Antczak, A., Kwias, Z.: Rough set appro-
6. ach to the verifications of indications for treatment of urinary stones by ESWL.
7. Soft Computing 1995 Simulation Councils, Inc, str. 93-95.
8. [4] Stefanowski, ]., Słowiński, K., Antczak, A., Kwias, Z.: Verification of
9. conclusions from the Rough Set analysis of the experience with ESWL for treat-
10. ment of urinary stones. Warsaw University of Technology, Resaerch Report,
11. 45/95.
12. [5] Stefanowski, J., Słowiński, K.: Rough sets as a tool for studying attribute
13. dependencies in the urinary stones treatment data set. Warsaw University of
14. Technology Research Report 14/96