Download PDF
Methods Inf Med 1988; 27(01): 10-16
DOI: 10.1055/s-0038-1635511
Original Article
Schattauer GmbH

A Knowledge Representation Concept Facilitating Construction and Maintenance of Large Knowledge Bases

Ein Wissensrepräsentationskonzept zur Erleichterung von Aufbau und Weiterentwicklung großer Wissensbasen von Expertensystemen
B. Puppe
1   (From the Institute for Informatics I, University of Karlsruhe, F.R.G.)
,
F. Puppe
1   (From the Institute for Informatics I, University of Karlsruhe, F.R.G.)
› Author Affiliations
Further Information

Publication History

Publication Date:
20 February 2018 (online)

  PDF Download  Permissions and Reprints

Summary

Since diagnostic competence cannot be easily divided, the practical value of diagnostic consultation systems increases considerably with the diversity of problems they can handle. However, since initial construction and subsequent maintenance of large knowledge bases are extremely time-consuming, few have been built so far.

The knowledge representation concept we developed (implemented in the expert system shell MED2) to help resolve this dilemma contains as its main structural element the Question/ Finding-Set as a representational unit comprising findings usually collected and interpreted together. It allows representation of findings at multiple levels of detail and their local interpretation by data base reasoning, thereby supporting simulation of two powerful human problem-solving strategies: Symptom analysis at greater detail and stepwise formation of conceptual abstractions. Resulting knowledge base modularity facilitates initial knowledge base building by multiple cooperating teams and later easy refinement and extension.

Da diagnostische Kompetenz in der Medizin nur bedingt teilbar ist, hängt der praktische Nutzwert von medizinischen Diagnosesystemen entscheidend von der Größe ihres Diagnosenbereiches ab. Weil Aufbau und Unterhalt ausreichend großer Wissensbasen ungewöhnlich zeitaufwendig sind, wurden bisher nur wenige entwickelt.

Das Wissensrepräsentationskonzept, das wir ausgearbeitet haben (implementiert im Expertensystem-Shell MED2), um einen Weg aus diesem Dilemma zu weisen, enthält als wesentliches Strukturelement den Symptom-Set, der Befunde zusammengruppiert, die üblicherweise gemeinsam erhoben und interpretiert werden. Er erleichtert es, Befunde mit verschiedenem Detaillierungsgrad zu repräsentieren und lokale Interpretationen vorzunehmen. Dadurch ermöglicht er die Simulation zweier bedeutender menschlicher Problemlösungsstrategien: detailliertere Befundanalyse und stufenweise Bildung begrifflicher Abstraktionen (medizinisch: Pathokonzepte). Die durch den Symptom-Set geschaffene Modularität erleichtert einen kooperativen multizentrischen Aufbau der Wissensbasis und ihre anschließende Weiterentwicklung.

Key-Words:

Computer-aided Diagnosis - Diagnostic Expert Systems - Knowledge Representation - Knowledge Base

Schlüssel-Wörter:

Computer-unterstützte Diagnose - Expertensysteme - Wissensrepräsentation - Wissensbasis
 

  • REFERENCES

  • 1 Hickam D, Shortliffe E, Bischoff M, Scott C, Jacobs C. The treatment advice of a computer-based cancer chemotherapy protocol advisor. Ann. intern. Med 1985; 103: 928-936.
    CrossrefPubMedGoogle Scholar
  • 2 Miller R, Pople P, Myers J. INTERNIST I, an experimental computer-based diagnostic consultant for general internal medicine. New Engl. J. Med 1982; 308: 469-476.
    PubMedGoogle Scholar
  • 3 Miller R, Masari F, Myers J. Quick medical reference (QMR): A microcomputer-based Adaptation of INTERNIST I. In Salamon R, Blum B, Jørgensen M. (Eds) Medinfo 86. Amsterdam: North-Holland; 1986: 2-1143.
    Google Scholar
  • 4 Patil R. Causal Representation of Patient Illness for Electrolyte and Acid-Base Diagnosis. Thesis. MIT/LCS/TR-267. Cambridge/Mass: MIT; 1981
    Google Scholar
  • 5 Patil R, Szolovits P, Schwartz W. Modeling knowledge of the patient in acid-base and electrolyte disorders. In Szolovits P.. (Edit.) Artificial Intelligence in Medicine. AAAS Selected Symposium 51. Boulder/Col: Westview Press; 1982
    Google Scholar
  • 6 Pople H. Heuristic methods for imposing structure on illstructured problems. In Szolovits P. (Edit.) Artificial Intelligence in Medicine. AAAS Selected Symposium 51. Boulder/Col: Westview Press; 1982
    Google Scholar
  • 7 Puppe B, Puppe F. MED 1: An intelligent computer program for thoracic pain diagnosis. Klin. Wschr 1985; 63: 511-517.
    CrossrefPubMedGoogle Scholar
  • 8 Puppe F. Diagnostic Problem Solving with Expert Systems. Informatik Fachberichte, Vol. 148. Berlin: Springer; 1987
    Google Scholar
  • 9 Puppe F. Requirements for a classification expert system Shell and their realization in MED 2. Appl. artif. Intell 1987; 1: 163-171.
    CrossrefPubMedGoogle Scholar
  • 10 Schwartz W, Patil R, Szolovits P. Artificial intelligence in medicine: Where do we stand?. New Engl. J. Med 1987; 316: 685-688.
    CrossrefPubMedGoogle Scholar