1. LA LÓGICA DIFUSA COMO APOYO A LA ENSEÑANZA EN LA MEDICINA Este ejemplo pretende mostrar las bondades de la lógica difusa como una herramienta de apoyo en la enseñanza y, a la vez, estimular a la comunidad académica a continuar investigando sobre el desarrollo de esta prometedora área de la Inteligencia Artificial. Se presentan aspectos del desarrollo de un software basado en lógica difusa para el diagnóstico médico que está aún en etapa de diseño y que puede ser utilizado para evaluación a los estudiantes de medicina. 1.1. Software Para Diagnóstico Médico La lógica difusa ha demostrado ser una herramienta que permite hacer uso de la experiencia de especialistas en el desarrollo de sistemas de cómputo que emulen la habilidad de estos en la toma de decisiones, como se puede apreciar en el desarrollo de software de diagnóstico médico, el cual también puede convertirse en una herramienta para el aprendizaje y evaluación a los estudiantes de medicina. La figura 2 muestra la interfase con el usuario del software EDIMED, el cual se encuentra aún en etapa de desarrollo. Se puede apreciar una de sus aplicaciones ,el diagnóstico de enfermedades pulmonares, en la que se consideraron catorce síntomas que son comunes en cinco enfermedades diferentes, dependiendo el diagnóstico del grado de incidencia con que cada síntoma se presente. Para cada síntoma (variable lingüística) se establecieron tres valores lingüísticos bajo, medio y alto) y de acuerdo a la información de un experto (médico especialista) se generaron las tablas que conforman la base de datos que serán consultadas para obtener, mediante el empleo del álgebra difusa, varios diagnósticos con grados de pertenencia entre 0 y 1, siendo el diagnóstico con grado de pertenencia más cercano a 1 el más acertado. En la arquitectura de base de datos relacionales empleada, los síntomas constituyen los atributos o elementos asociados a cada registro, o diagnóstico, que agrupados conforman el archivo de determinado tipo de enfermedades. Figura 2. Software Para Diagnóstico de Enfermedades, EDIMED El usuario (estudiante) selecciona el tipo de enfermedad en que desea presentar una evaluación. Inmediatamente se abre una ventana en la cual se le ofrece dos alternativas. En la primera de ellas el software presenta una serie de síntomas con la incidencia con que se presentan cada uno de ellos; en la otra alternativa el estudiante puede introducir los síntomas y sus incidencias mediante una consulta a un paciente, el cual puede ser el mismo docente. La figura 3 muestra la variable lingüística “Disnea de Pequeños Esfuerzos, DPE”. El universo determinado para este síntoma va de 0 a 100 (medida en porcentaje). A cada síntoma se le ha asignado, previamente, un valor porcentual que indica su grado de incidencia en un diagnóstico determinado, de acuerdo a información suministradas por expertos consultados. La tabla 1 muestra un ejemplo del modelo relacional de base de datos empleada, en la cual se presenta, para cada diagnóstico, cuál debe ser el porcentaje de incidencia de los síntomas involucrados. En esta tabla solo aparecen cinco posibles diagnósticos con los síntomas presentes en cada uno de ellos. Por ejemplo, se puede apreciar que si una persona padece de Cáncer de Pulmón, uno de los síntomas visibles con alta incidencia es la Disnea de Pequeños esfuerzos (DPE), mientras que otro síntoma, como Estertores Crepitantes (EC), tienen una baja incidencia. Suponga que el estudiante, en la consulta que está realizando, introduce en el software EDIMED el valor lingüístico medio para el síntoma, o atributo, DPE. Al evaluar el grado de pertenencia que la incidencia de este síntoma tiene en el diagnóstico denominado Edema de Pulmón (69), se observa (ver figura 2) que alcanza un grado de pertenencia de 0.525, mientras que la incidencia de ese mismo síntoma en el diagnóstico denominado EPOC (80) tiene un grado de pertenencia relativamente bajo, ya que apenas alcanza el valor de 0.25. Lo anterior quiere decir que si el síntoma DPE se presenta en determinado paciente con una intensidad catalogada como media, existe una mayor posibilidad de que padezca de Edema Pulmonar que cualquiera de los otros diagnósticos que aparecen en la tabla. Sin embargo, el resultado definitivo dependerá de la incidencia de los otros síntomas y de las operaciones del álgebra difusa que se realicen en la consulta de la base de datos. Si fuese posible representar diferentes síntomas con los mismos conjuntos difusos el resultado se reflejaría en una disminución de la complejidad computacional del software, tanto en líneas de programación como en requerimientos de memoria. Por la semejanza con el proceso cognitivo del ser humano, los sistemas expertos basados en reglas (del tipo SI...ENTONCES...) son unos de los tipos más TABLA1. MODELO RELACIONAL DE BASE DE DATOS DIAGNOSTICO-SINTOMAS Síntomas Síntomas Síntoma Esc Fiebre TEH DT DPE TP TC LAS ANX PP EC SN PF SIB 3% 6% 55% Diagnóstico Cancer de Pulmón 1% 45% 60% 70% 95% 50% 20% 15% 35% 25% 5% Edema de Pulmón 1% 3% 60% 10% 69% 50% 30% 2% EPOC 5% 10% 80% 70% 80% 60% 30% 50% 15% 10% 30% 5% 3% 90% Neumonía 80% 50% 45% 70% 10% 60% 55% 20% 5% 7% 15% Tuberculosis 10% 90% 4% 1% 2% 20% 2% 75% 0% 55% 6% 95% 15% 75% 25% 30% 70% 65% 80% 10% 55% 60% 85% populares actualmente. Es posible realizar el software EDIMED mediante una base de reglas en vez de una base de datos, dedicando especial esfuerzo en el desarrollo de un mecanismo de inferencia ágil y acertado. Como es sabido, la forma en que se intente representar el conocimiento repercute tanto en el tiempo necesario para el desarrollo del programa como en la eficiencia del mismo. 2. MINERÍA DE DATOS Y LÓGICA DIFUSA Como método para la predicción del abandono escolar 3. 4. 5. 6. APLICACIÓN MOYO 1 APLICACIÓN MOYO 2 APLICACIÓN ROMPE 1 APLI APLICACIÓN ROMPE 2 7. CONLUCIONES 7.1.LA LÓGICA DIFUSA COMO APOYO A LA ENSEÑANZA EN LA MEDICINA La lógica difusa representa una importante alternativa en el desarrollo de sistemas expertos que constituyan una verdadera herramienta como apoyo a los especialistas, en cualquier rama de la ciencia, y a los estudiantes en el proceso de enseñanza aprendizaje. Se deben considerar otras alternativas de la Inteligencia Artificial, como las Redes Neuronales y los Algoritmos Genéticos, en la búsqueda de paradigmas que permitan el diseño e implementación de herramientas computacionales. Es de vital importancia la búsqueda de técnicas que permitan el desarrollo de estas herramientas computacionales con amplias bases de conocimientos pero una complejidad computacional reducida, que los haga cada vez más eficientes. 7.2. MINERÍA DE DATOS Y LÓGICA DIFUSA 7.3. APLICACIÓN MOYO 1 7.4. APLICACIÓN MOYO 2 7.5. APLICACIÓN ROMPE 1 7.6. APLICACIÓN ROMPE 2 8. BIOGRAFIA 8.1.LA LÓGICA DIFUSA COMO APOYO A LA ENSEÑANZA EN LA MEDICINA Matemáticas Discreta, Segunda Edición, Ross and Wright (1990). Prentice Hall http://www.dma.fi.upm.es/java/fuzzy/tutfuzzy/introduccion3.html Sistemas Expertos, Tercera Edición, Giaerratano-Riley (1998), Thomson Fuzzy Control, Primera Edición, Passino and Yurkovich (1998), Addison Wesley 8.2. MINERÍA DE DATOS Y LÓGICA DIFUSA 8.3. APLICACIÓN MOYO 1 8.4. APLICACIÓN MOYO 2 8.5. APLICACIÓN ROMPE 1 8.6. APLICACIÓN ROMPE 2