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.