文摘

介绍。尽管许多研究人员认为积极的潜在临床决策支持系统(cds),他们没有考虑到病人的态度导致积极的治疗策略糖化血红蛋白目标。材料和方法。我们采用了美国糖尿病协会(ADA)和欧洲糖尿病研究协会(2)出版提出一个糖化血红蛋白目标和抗糖尿病的药物治疗对患者推荐系统。抗糖尿病的药物资料的基础上,提出了由美国临床内分泌学家协会(无关)和美国大学的内分泌学(ACE),我们用TOPSIS计算排名的抗糖尿病的药物。结果。内分泌学家建立十个虚拟病人的医疗数据来评估决策支持系统。系统表明,cds表现良好,是有用的87%,推荐系统是适合门诊病人。抗糖尿病的药物的评价结果表明,该系统具有85%满意度管理可以帮助临床医生2型糖尿病在选择抗糖尿病的药物。结论。除了帮助医生的临床诊断,系统不仅可以作为指导专业医生还可以帮助nonspecialty年轻医生和医生处方药物。

1。介绍

医学研究所(1)将以病人为中心的护理策略定义为“照顾尊重和回应个别病人偏好,需求,和价值观,确保病人的价值观指导所有临床决策。“从业者临床需要选择不同的药物来满足患者的需要。然而,2型糖尿病患者表现出巨大的表型差异导致显著的异质性在临床结果。因此,临床医生无法确定是否为特定的病人是最好的处方。

临床决策支持系统(cds)可能有助于临床医生、患者和其他人建议病人宜以证据为基础的治疗方案。本体是必不可少的工具,知识的组织和表示(2- - - - - -7]。本体包含收集的患者,症状,疾病,诊断,治疗,和药物信息,从而创建一个治疗策略根据病人的需求重新配置一个临床决策支持系统(8]。一些研究建议使用本体构建临床指南和保健计划(5,9- - - - - -12]。

在大多数的知识本体,设计由领域专家的经验。例如,Bau et al。2]利用领域本体和规则推理构建信用违约掉期糖尿病患者接受手术。他们已经在这个本体三个主要类别:疾病、管理、和耐心。疾病类包括糖尿病和伴随疾病的信息。管理类包括麻醉,毛细血管血糖测试,控制糖尿病,药物治疗,没有药物,和水限制的信息。病人类包括病人的临床资料。系统构造一个临床决策支持系统(CDSS)基于领域本体和规则推理的手术在住院糖尿病患者的设置。然而,本体知识是建立在临床医生的经验,所以很难时更新这些本体知识有一个新的临床指南。

Sherimon和克里希南11提出了一个OntoDiabetic系统,基于本体的临床决策支持系统的糖尿病风险分析和预测。系统由两个主要的本体:糖尿病患者临床分析本体和语义。糖尿病患者临床分析本体和推理规则封装好(国家健康和保健研究所)的指导方针。OntoDiabetic系统计算分数和预测风险的糖尿病患者由于吸烟、酒精,体育活动,和性糖尿病和心血管疾病,主要影响。很多努力了OntoDiabetic。似乎缺少什么,然而,是系统不能提供抗糖尿病的药物治疗的建议。

因为有许多类型的抗糖尿病的药物,他们需要获得政府的许可。虽然美国糖尿病协会(ADA)和欧洲糖尿病研究协会(2)语句(13,14)提供12种抗糖尿病的药物,并不是每一个可以使用药物。表1显示常用的八个抗糖尿病的药物在日本,韩国,加拿大,意大利,台湾从1998年至2013年(15- - - - - -21]。

尽管许多研究人员认为积极的信用违约互换的潜力,他们不考虑病人的特点。例如,在“病人的态度”因素,如果患者有高度积极性或优秀的自我照顾能力,它可以使用或积极治疗策略糖化血红蛋白目标。为了解决这个问题,我们提出了一个解决方案在我们先前的研究,采用《美国残疾人法》和2型标准发布一个位置更新语句在2型糖尿病患者高血糖的管理糖化血红蛋白目标推理模块以及药物知识本体(22]。系统结合了模糊逻辑和本体推理提出二型糖尿病患者的抗糖尿病的药物推荐系统。

在本文中,我们将进一步考虑的安全性和积极性糖化血红蛋白的优先目标,抗糖尿病的药物。我们使用抗糖尿病的药物配置文件,它提出了由美国临床内分泌学家协会(无关)和美国大学的内分泌学(ACE) 2016年(23]。基于抗糖尿病的药物配置文件中,我们使用的技术顺序偏好相似,理想的解决方案(TOPSIS)计算相对接近理想的解决方案,从而确定排名的抗糖尿病的药物。

2。材料和方法

推荐系统包括四个模块:患者咨询管理、病人完美糖化血红蛋白目标推理,毒品知识本体和推理和抗糖尿病的药物排行榜模块。推荐系统的框架如图1。

第一步,“耐心协商管理”模块中,提供了一个用户界面的临床医生。因此,临床医生可以在用户界面输入病人的数据。这些病人的数据将提供给其他两个模块。第二步,“病人的理想糖化血红蛋白目标推理模块”,将利用模糊技术来推断病人的个性化糖化血红蛋白目标。第三步,“毒品知识本体和推理模块,“将推荐抗糖尿病的药物对病人。第四步,“抗糖尿病的药物排名模块”,将利用TOPSIS技术计算相对接近理想的解决方案,从而确定抗糖尿病的药物的排名。在此系统中,糖尿病的专家决定的模糊规则和本体推理规则。

2.1。耐心协商管理模块

患者咨询管理模块需要病人的数据也是必要的其他模块。的调制intensiveness的血糖降低治疗2型糖尿病是根据《美国残疾人法》和2型的立场声明14]。充足的临床医生和病人之间的交流也是很有必要评估七个因素。他们是(1)与低血糖相关的风险和其他药物不良反应,(2)疾病持续时间,(3)预期寿命,(4)重要的并发症,(5)建立血管并发症,(6)病人的态度和预期的治疗工作,和(7)资源和支持系统。前的七个因素五水平衡量整数0到4。临床医生也需要记录药品不良反应(adr)和个人疾病史。

2.2。病人的理想糖化血红蛋白目标推理模块

主要功能模块包括fuzzifier、模糊规则的模糊推理,defuzzier。有七个输入,即 模糊逻辑和输入因素分为五个层次,从整数0到4。输出值z是理想的病人糖化血红蛋白认为个体差异的目标水平。美国临床内分泌学家协会(无关)和美国大学的内分泌学(ACE)建议糖化血红蛋白低于6.5% (24),但以病人为中心的护理需要考虑制定病人的病人的特征糖化血红蛋白目标。因此,输出z代表了理想糖化血红蛋白目标,它在6.5%和9.0%之间。

隶属度函数的定义是根据《美国残疾人法》和2型位置声明(14),例如,“风险可能与低血糖和其他药物相关副作用”可以有两种水平:“低”或“高。“所以,x₁有两个隶属度函数:低(x₁)、高(x₁)。隶属度函数的名称,以及输入和输出变量如表所示2。得到可以接受的结果,内分泌学家在台中医院工作,卫生和福利,建立了虚拟病人的数据,并使用FuzzyLite [25)试验和调整隶属度函数的参数。通过充分的临床医生的经验,系统有更好的结果。

图2显示了相应的隶属函数x₁因素和低的成员函数(x₁)、高(x₁)是一个梯形。因为x₂,x₃,x₆,x₇也可分为两个函数,它们的隶属函数一样x₁。图3显示了相应的隶属函数x₄因素,缺席的成员函数(x₄)和严重的(x₄)是梯形而FewOrMild (x₄)是三角形的。因为x₅也可以分为三个功能,x₅隶属度函数是一样的x₄。定义成员函数的领域知识来自医生的报告。图4显示了相应的隶属函数z和MoreStringent隶属度函数(z)和LessStringent (zMildStringent)是梯形时,(z)是三角形的。

第二步是应用模糊规则的输入。模糊推理将规定什么行动将为每个组会员的组合。来评估系统的有效性,我们开发了两种模糊规则的方法。第一种方法的主要考虑是相对安全的治疗我们标签“模糊安全规则。“第二种方法是考虑的表现更积极的治疗;我们标记“模糊积极性规则。”

2.2.1。方法1:模糊安全规则

模糊规则的数目取决于几个输入因素。例如,如果临床医生输入×1×2×4值,模糊规则将由12个人规则。因为×1有两个隶属函数(高低)×2有两个隶属函数(新诊断和长期),和×4有三个隶属度函数(缺席,很少或轻微和严重)。基于个体专家的经验和直觉,模糊规则表如表所示3。规则1表明如果x₁很低,x₂新诊断的,x₄缺席,那么z更严格的。规则2:如果状态x₁很低,x₂新诊断的,x₄是很少或温和的呢z是温和的严格。否则,输出z不太严格的规则3 - 12因为x₁高,或x₂是长期,还是x₄是严重的。

2.2.2。方法2:模糊积极性模糊规则

表4显示了模糊积极规则。规则1 - 5表明,如果其中一个 输入变量高/长期/短期/严重严重,糖化血红蛋白不太严格。规则6 - 9表明,如果其中一个 输入变量是最近确诊/长/上进心强又随时可用,然后糖化血红蛋白更严格的。规则10表明,如果“Risks-Of-Hypoglycemia-or-Drug-Effects”很低,“Important-Comorbidities”和“Established-Vascular-Complications”缺席,糖化血红蛋白是更严格。规则11和12表明,如果“Important-Comorbidities”或“Established-Vascular-Complications Few-or-Mild,糖化血红蛋白Mild-Stringent。规则13个州,如果“Important-Comorbidities”和“Established-Vascular-Complications”都是“Few-or-Mild”糖化血红蛋白是不。

最后,对模糊安全规则和模糊积极性规则,系统使用的均值最大(MOM)进行去模糊化。

2.3。药物知识本体和推理模块

门徒和WebProtege自由软件项目构建本体知识解决方案(6,26]。进一步说,“耶拿”是Java开发的基于规则的推理引擎Apache软件基金会(27]。我们使用WebProtege构建药物知识和基于web的接口是一个简单的接口与糖尿病专科医师。本体构建完成后,我们使用Jena评价抗糖尿病的药物推理模块。细节如下。

2.3.1。药物知识本体

根据更新的位置声明发表的《美国残疾人法》和2型(13,14),我们创建了一个降糖药物的本体。表5显示了类和描述领域知识的概念。类可以包含单个对象称为“实例。”表6介绍了本体定义的属性。对象属性代表两个实例之间的关系,每个属性都有一个域和范围。类和对象属性被创建之后,我们建立降糖代理实例根据《美国残疾人法》和2型的立场声明在2型糖尿病患者高血糖的管理。图5显示“双胍类”“Glucose-Lowering_Agents”类的实例和图6显示了一个示例patient_1的实例。

2.3.2。抗糖尿病的药物推理模块

耶拿是一个免费和开源Java框架构建语义网和推理应用程序(27]。Jena的推理引擎支持使用Jena的规则来推断从实例数据和类描述。

耶拿是一个规则推理引擎运行在Java平台上。本研究开发的Jena的推理规则,Glucose-Lowering_Agents不适合病人。表7显示规则描述如下:规则1:如果病人有疾病史与Glucose-Lowering_Agents的缺点,Glucose-Lowering_Agents不推荐。规则2:如果病人有药品不良反应(adr),药物不良反应是不推荐。

系统删除一些抗糖尿病的药物时,系统可以确定其他抗糖尿病的药物。例如,patient_1“increasing_LDL-C”和“水肿的历史。“服用tzd既有缺点,increasing_LDL-C”和“水肿、“SGLT2的缺点之一是“increasing_LDL-C。“通过规则1,服用tzd和SGLT2不会推荐patient_1。与GLP-1 patient_1也有药物不良反应。因此,通过规则2,GLP-1不会推荐patient_1。在台湾这个系统提供7个常见抗糖尿病的药物包括双胍类(二甲双胍)磺酰脲类药物(苏),服用tzd、DPP-4 SGLT2, GLP-1,胰岛素。当服用tzd、SGLT2 GLP-1 patient_1不推荐,双胍类(二甲双胍)DPP-4,磺酰脲类药物(SU)和胰岛素的建议。

2.4。定义风险的抗糖尿病的药物

美国临床内分泌学家协会(无关)和美国大学的内分泌学(ACE) 2009年发表的一种算法来确定血糖控制(28]。糖尿病综合管理算法更新2013年,2015年和2016年(23,24,29日- - - - - -31日]。一个重大贡献是抗糖尿病的药物资料的表示。它显示了每种药物的属性为患者考虑。

根据抗糖尿病的药物资料,我们将七个传统抗糖尿病的药物的抗糖尿病的药物风险值。表8显示抗糖尿病的药物的风险。“很少有不良事件的风险价值可能的好处”是1。“中性”的风险值是3和“使用小心”是5。最后,“不利影响的可能性”被定义为一个风险值的7。值得注意的是,我们添加了“成本”属性值根据位置声明ADA和2型(14]。如果成本是“低”,属性值是1。如果成本是“高”,属性值是3。在这种情况下,有一些抗糖尿病的药物如“Meglitinides。””α葡糖苷酶抑制剂”的成本是“温和”的属性值是2。然而,这些抗糖尿病的药物在台湾并不受欢迎,所以他们做的展示在表8。

2.5。TOPSIS多准则决策分析

当抗糖尿病的药物已知的风险,我们可以使用它来计算抗糖尿病的药物推荐优先级。优先顺序的技术相似,理想的解决方案(TOPSIS)实现了多准则决策由黄和1981年尹4,32- - - - - -34]。TOPSIS排名来决定抗糖尿病的药物。

在以前的计算,系统推荐(双胍类),DPP-4, patient_1 SU(磺脲类)和胰岛素。表9显示了patient_1抗糖尿病的药物的风险和成本。我们将使用的风险数据表9作为一个例子来解释TOPSIS方法。

patient_1的TOPSIS过程进行了如下。

步骤1:创建决策矩阵。创建一个评价矩阵组成的选择和标准与每个替代的交集和标准 。 例如,表的决策矩阵9是

步骤2:构建标准化决策矩阵。矩阵然后规范化矩阵形式: 在哪里 。

步骤3:确定重量。确定重量抗糖尿病的药物的风险属性和成本。最初的重量 ;是重量的海波财产;是重量的重量财产;是肾脏的重量/顾财产;是胃肠道Sx财产的重量;是瑞士法郎的财产;是心血管疾病性质的重量;是骨头财产的重量;和的重量成本属性。
在这种情况下,patient_1历史的“水肿”和“低密度增加。”,因为“水肿”是相对的瑞士法郎,被设置为2,“增加低密度”是相对于CVD,设置为2。重量patient_1显示如下:

第四步:构造加权标准化决策矩阵。计算加权标准化决策矩阵 : 在哪里

第五步:确定理想和消极的理想解决方案。确定理想的解决方案和消极的理想解决方案 : 在哪里 。 在哪里

第六步:计算每个替代的隔离措施。计算之间的距离目标的选择和理想的替代和消极的理想选择 : 从上面的公式,系统可以找到的值和如下:

第七步:计算相对接近理想的解决方案 。 从上面的公式,该系统将选择的选项接近1。 结果表明,理想的解决方案0.775遇到的,理想的解决方案DPP-4是0.540,理想的解决方案苏是0.270,和理想的解决方案胰岛素是0.384。因为 ,建议优先满足抗糖尿病的药物> DPP-4 > >苏胰岛素。

3所示。结果

根据《美国残疾人法》和2型的声明,其中一个主要的改变治疗方案是一种新的抗糖尿病的药物“SGLT2”,这是补充道。所以,我们添加“SGLT2”这个实验。然而,“Meglitinides”和“α葡糖苷酶”有“频繁的计量计划”的劣势,所以我们排除这两个抗糖尿病的药物。最后,该系统提供了七个常见抗糖尿病的药物治疗选择包括“双胍类”,“苏”,“服用tzd”,“DPP-4”,“SGLT2”,“GLP-1”和“胰岛素”。

在台湾中部台中医院是一个认可的地区医院。在系统开发的开始,内分泌学家在台中医院工作设立10个虚拟病人的医疗数据调整试验和临床决策支持系统(cds)。我们使用Mamdani-type模糊推理和平均最大(MOM)进行去模糊化。表10显示了虚拟病人的医疗数据。在表10, 药物不良反应、疾病的“历史”和“”是糖尿病外交官的输入变量。的z的模糊推理输出吗糖化血红蛋白目标,分别是模糊安全规则(方法1)和模糊积极规则(方法2)。“推荐抗糖尿病的药物”显示推荐的药物对病人和排名的值。

内分泌学家,一个主治医师,主治医师评估决策支持系统的糖尿病。他们直接使用系统和评估他们的临床经验。他们评估了系统使用一个包含,潜油电泵的调查,对满意度、感知有用性,和行为意图(见表11)。所有的分数都是用百分比表示。评价结果如表所示12。临床决策支持系统(CDSS)感知满意度73%。抗糖尿病的药物推荐的结果表明,该系统有70%满意,71%有意图去使用它。

根据临床医生的反馈,因为住院病人可能有太多的并发症,因此,临床医生主要使用胰岛素控制糖化血红蛋白。因此,主治医师的评估结果将相对较弱;这是由于推荐系统只是适合门诊病人。如果我们排除住院医师的评估的结果,系统的评价结果会更好。在这种情况下,参与临床医生有87%接受,并在工作中使用该系统的可能性,推荐其他人是77%。

模糊安全规则(方法1)有80%的准确率和满意度,但模糊积极规则(方法2)仅为60%。所以,模糊安全规则(方法1)比模糊积极规则(方法2)对患者理想的糖化血红蛋白目标推理。“抗糖尿病的药物评价结果的推理和排名”表明,系统有85%满意可以帮助临床医师的管理2型糖尿病在选择抗糖尿病的药物。

抗糖尿病的药物推荐系统的用户界面如图7。系统的网站http://120.109.46.42/T2DM/。医生可能参考系统,使处方。当然,系统可能会误导或不适当的建议,不能取代医生的临床经验和专业的判断。医生因此做出最后的决定。

4所示。讨论

全球糖尿病患者的数量是巨大的,不断增加。糖尿病对心理、物理和经济困难的病人。糖尿病治疗,毫无疑问,是一项复杂的任务。至于临床医生的处方的策略,是很有必要的,他们考虑许多因素。然而,以下两个原因会影响医生的决定,使用系统:(1)如果医生使用新和昂贵的药物治疗处方,他担心健康保险将不会支付医疗费用。然后,他将只使用通用抗糖尿病的药物。(2)系统只提供单一药物治疗处方,为长期糖尿病患者可能需要多种药物治疗处方有效地降低糖化血红蛋白。

即便如此,cds是用来帮助人类做决策,而不是取代人类的决定。系统显示以下临床值:(一)定义适当的治疗目标实施以病人为中心的医疗护理和处方:相比之下,以病人为中心的管理策略认为,不是所有的病人都能受益于主动葡萄糖管理。它强调个性化的治疗目标。然而,多种并发症,糖尿病和抗糖尿病的药物使用固有的复杂性常常让医生,尤其是年轻医生,选择最好的治疗策略。尽管他们意识概念的“以病人为中心的管理策略”,它表明了在实践中困难。有鉴于此,我们系统化结构帮助医生制定治疗目标和选择的处方来满足病人的需求。除了鼓励病人跟医生的指示,此方法还可以减少治疗所带来的风险。因此,治疗的目标可能实现。(b)医生可以节省时间和充分利用医疗资源:越来越多的2型糖尿病患者已经筋疲力尽的医疗资源。这个系统可以使医生能够花更少的时间在医学诊断和调整病人的药方。这将减少对医疗资源的影响。(c)医生可以轻松使用该系统,可以减少临床惯性:这个系统是manipulation-friendly。通过输入一些必要的参数,医生可以获得推荐抗糖尿病的药物的有效性,从而使治疗相应的判断。系统允许医生在回答病人的问题,可以节省时间降低开发风险的临床惯性。

5。结论和未来的工作

临床医生的处方策略必须考虑许多因素。为了解决这个问题,我们开发了一个个性化的抗糖尿病的药物治疗对糖尿病患者推荐系统。这个系统,可以相对轻松地操纵,裁缝糖化血红蛋白水平,以减轻病人的差异。目前,12种抗糖尿病的药物,口服和注射,是可用的。手动考虑所有可能的条件不仅浪费医疗资源,而且系统上的负担,更不用说这是不切实际的。这项研究中,结合模糊逻辑与本体推理,提出了一种抗糖尿病的药物治疗对糖尿病患者推荐系统。它促进“以病人为中心的糖尿病治疗的一个新概念。“抗糖尿病的药物推荐门诊,有用的药物进行排名。除了帮助医生的临床诊断,系统不仅可以作为指导医生专门从事糖尿病但也有助于家庭医生和实习生在处方药物。

基于研究结果反馈系统使用的操作,这七个因素分析可以提供动态相关性。我们将改善我们的系统接口和动态加权计算在未来的研究。此外,我们提出一个架构基于规则建立一个抗糖尿病的药物推荐系统。在未来,我们将结合基于规则和基于实例推理解决特殊情况问题。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了科技部,台湾(批准号。103 - 2632年- e - 324 - 001 - my3,大多数- 104 - 2221 - e - 324 - 019 my2大多数- 106 - 2221 - e - 324 - 025,和大多数- 106 - 2218 - e - 324 - 002)。