Fuzzy expert system for medical diagnosis of common headaches

Document Type : Research Paper

Authors

1 Assistant Professor, Department of Biomedical Engineering , School of Engineering , University of Isfahan

2 Associate Professor, Department of Mathematics, School of Mathematics, Mashhad Payame Noor University

3 Associated professor of Neurology Group, Mashhad University of Medical Sciences, Mashhad, Iran

Abstract

Abstract
Introduction: Headache is one of the most common medical complaints.The treatment types of headaches require the diagnosis of these types.The aim of this study was to distinguish and diagnose common  headaches by fuzzy logic and fuzzy system.
Methods: A fuzzy expert system for the distinguish types of common headaches is presented, the Mamdani modeL was used in fuzzy inference engine using Max-Min as OR-AND operators and Centroid method was used as defuzzification technique.
Results: The fuzzy system was evaluated using data obtained from 150 patients and showed 82% good agreement and high ability in terms of correct diagnosis. Accuracy, Precision, sensitivity, specificity of the system were 86%, 93%, 85%, 88% for migraine , 93%, 91%, 55%, 99% for tension, 97%, 86%, 66%, 99% for headaches resulting  from  infection and 95%, 85%, 88%, 97% for headaches resulting from increase of ICP, respectively.The Binomial and Chi-Square Test evaluated that between correct and incorrect diagnosis was meaningful difference and the proportion of correct diagnosis (82%) was more than the incorrect diagnosis (18%) (P<0/001).To measure agreement of system results with the physician diagnosis, Kappa statistics was employed and showed a high relation,71% ,65%,74% and 84% for migraine, tension, headaches resulting from infection and headaches resulting from increase of  ICP, respectively.
Conclusion:According to proximity of common headaches symptoms, and importance of early diagnosis of headache, and favorable results of the implementation and evaluation of the suggested expert system, therefore this system can be very useful for diagnosis of common headaches with similar symptoms.

Keywords


مقدمه

سردرد یکی از شایع ترین مشکلات روزمره بشر است به‌گونه‌ای که در بسیاری از مواقع افراد را مجبور می‌کند تا در اسرع وقت به پزشک مراجعه کنند. مصرف بیش ازحد داروهای ضددرد باعث اتفاق افتادن یک چرخه معیوب می‌شود که به موجب آن سردرد‌های پی‌درپی باعث می‌شود که‌ فرد زیاد دارو مصرف کند (اغلب داروهای بدون نیاز به نسخه پزشک) و همین‌که اثر دارو به تدریج از بین می رود سردرد  برمی‌گردد و باعث مصرف بیش‌تر دارو می‌شود و این روند ادامه دارد. طبق یک نظریه، مصرف بیش از حد داروهای مسکن، سلول‌های ‌مغز ‌را ‌‌تحریک ‌‌می‌کند ‌و ‌باعث ‌ایجاد ‌سردرد ‌مجدد ‌می‌شود.

سردرد به دو دسته اولیه و ثانویه تقسیم می‌شود. سردرد‌‌های اولیه شایع‌ترین سردردها هستند و بیشترین سردرد‌ها را شامل می‌شوند. این سردردها کمتر خطرناک هستند. ممکن است که خیلی آزار‌دهنده و مزمن باشند ولی خیلی نگران کننده نیستند زیرا خطر جدی را در‌بر‌ندارند. سردردهای اولیه سردردهایی هستند که معمولا زمینه ذاتی و ارثی برای آنها وجود دارد‌، و علل بروز آن‌ها شرایط بالینی دیگری نمی‌باشد، اما به دلیل برخی محرک ها ایجاد می‌شوند. برخی از آنها عبارتنداز: ۱ـ سردردهای تنشی که شایع‌ترین نوع سردرد‌های اولیه است. اغلب در اثر استرس و فشارهای عاطفی و عصبی ایجاد می‌شود. بیشتر بالغین این نوع سردرد را تجربه کرده‌اند. علت آن انقباض عضلات کاسه سر، گردن، شانه و صورت است و مهم‌ترین دلیل هم هیجانات عصبی است.۲ـ‌ سردرد‌های‌ میگرنی، دومین ‌نوع ‌سردردهای‌‌ اولیه ‌‌شایع ‌است (۴-۱).

سردرد‌های ثانویه به آن نوع ازسردرد‌هایی گفته می‌شود که علت آن مشکل ساختاری اساسی در سر یا گردن می‌باشد. این نوع سردردها علت‌های متعددی دارند ازقبیل: خونریزی مغزی، تومور، یا مننژیت و وورم مغزی. سردردهای ثانویه به دلیل بیماری ها یا صدمات زمینه ای بروز می‌کند. احتمال این امر وجود دارد که برخی از علت‌های سردرد‌های ثانویه، تهدید کننده جان فرد و کشنده باشد که تشخیص درمان زود هنگام می‌تواند جان فرد را نجات دهد و برخی ازآنها عبارتند از: ۱ـ سردرد‌های ناشی از عفونت که وجود علائمی چون تب و سفتی گردن به تشخیص این نوع سردرد کمک می‌کند. ۲ـ سردرد ناشی از افزایش فشار داخل‌ جمجه‌ که‌ یکی ‌از ‌سه ‌مکانیسم ‌اختلال ‌محتویات‌ مغز، ‌‌اختلال ‌مقدار ‌مایع ‌مغزی ‌نخاعی CSF‌ واختلال ‌در ‌عملکرد ‌عروقی ‌مغز دخالت ‌دارد(۴-۱)،(۱۱).

نزدیک بودن علائم و مشابه بودن آنها اغلب پزشکان به ویژه پزشکان کم تجربه را در تشخیص دچار اشتباه می‌کند. اغلب پزشکان علاوه بر بررسی خصوصیات درد، برای تشخیص علت سردرد معمولاً یک معاینه بالینی کامل شامل بررسی نبض و فشارخون، بررسی کامل دستگاه عصبی مرکزی و معاینه چشم انجام می‌دهند . به علاوه گاهی لازم است علاوه بر اقدامات
فوق از روش‌های تصویر‌برداری (سی‌تی‌اسکن یا MRI)، الکتروانسفالوگرافی (ثبت نوار مغزی)، بررسی میدان بینایی و آزمایش خون ‌نیز ‌برای‌ تشخیص ‌علت ‌سردرد ‌استفاده ‌می‌شود (24،25).

در تشخیص بیماری‌ها، سیستم‌های فازی می‌توانند نقش ارزنده‌ای داشته باشند(5، 7، ۹، 13، 14). سانچز[1] دانش پزشکی متخصص را به عنوان رابطه فازی بین علائم و بیماری نشان داد و ادلسنیگ [2] با دقت به شرح این موضوع پرداخته است (5، 6). اهن[3] ، مون[4] ، کیم[5] و اوه[6]  با استفاده از یک جدول مصاحبه، روشی را براساس رابطه بین علائم و بیماری سردرد ارائه داده اند (۱۹). در این مقاله سعی شده سیستمی ارائه شود که تجربه و دانش فرد خبره را مدل سازی کند‌ . از آنجا که منطق فازی در توصیف مفاهیم غیر دقیق و مبهم ، توانایی بسیار بالایی دارد ، از این ابزار جهت‌مدل‌سازی‌استفاده‌شده‌است.

روش کار

این مطالعه از نوع همبستگی می باشدو از سال 1393-1395 در مطب متخصص نورولوژی انجام شده است.

به کمک نظریه فازی[1] می‌توان مفاهیم غیر‌دقیق و مبهم را مدل کرد. ابهام و عدم قطعیت در علم پزشکی امری بدیهی و مربوط به ‌ذات و ماهیت پزشکی است. با استفاده از تئوری فازی می‌توان سیستم‌هایی طراحی کرد که مفاهیم و اصطلاحات زبانی و غیردقیق ‌را مدل‌سازی کرد و از دانش افراد متخصص در طراحی سیستم استنتاج فازی استفاده کرد و نهایتا به‌عنوان یک نرم‌افزار در اختیار پزشکان عمومی قرار داد که فرصت‌های طلایی تشخیص (افتراقی) نسبتا صحیح را از دست ندهند. البته ورودی‌های سیستم یا پارامترهای تشخیصی، برخی اطلاعات و پارامترهای ابتدایی است که از خود بیمار یا همراهان کسب می‌گردد. اساس سیستم‌های استنتاج فازی بر پایه مجموعه های فازی، قواعد اگر –آنگاه و استدلال فازی است. سیستم ارائه شده در این مقاله با استفاده از نرم افزار متلب (Matlab) طراحی شده است و درگام اول به تشریح متغیرهای ورودی و توابع عضویت آن‌ها می‌پردازد. درگام دوم متغیر خروجی ‌و‌تابع عضویت‌ آن ‌را‌ معرفی‌ می‌کند ‌و ‌تولید ‌پایگاه ‌‌قواعد ‌اگرـ آنگاه ‌فازی ‌در‌گام‌ سوم‌ و‌ فازی ‌سازی‌ و ‌غیرفازی ‌سازی ‌نیز ‌در‌گام ‌‌چهارم ‌‌می‌باشد.

براساس مطالعات اولیه در یک نمونه ۳۰ تایی برآورد شد که سیستم تا ۹۰ % توانایی تشخیص دارد. به‌عبارتی برآورد‌ شد، سپس ‌حجم ‌نمونه ‌برای ‌ارزیابی‌ سیستم‌ از ‌فرمول‌ کوکران (زمانی‌که حجم ‌‌جامعه ‌نامعلوم ‌باشد)‌ محاسبه‌ شد ‌ومقدار ‌ به‌دست آمد.

فرمول کوکران(زمانی که حجم جامعه نامعلوم باشد) عبارت است از:  ، که در آن    به فاصله اطمینان و سطح خطا () بستگی دارد. هرگاه سطح خطا ۰۵/۰ در نظر گرفته شود، سطح اطمینان برابر ۹۵/۰ خواهد بود و ‌‌‌‌‌و.

در پایان به‌ کمک نرم‌افزار SPSS و با استفاده از آزمون دو جمله‌ای و خی‌دو و با محاسبه ضرایب کاپا، کارایی و توان سیستم مورد ارزیابی قرار می‌گیرد.

متغیرهای ‌ورودیبه منظور تشخیص سردرد، ابتدا ۱۲ پارامتر ناسایی و براساس مفاهیم زبانی رایج در تشخیص (جدول ۱)، مجموعه‌های فازی هر یک از این پارامتر‌ها تعریف شد. مثلا یکی از پارامترهای شناسایی تب می‌باشد. ‌تب یکی از علائم سردرد می‌تواند باشد که در آن دمای بدن از مقدار طبیعی آن بیش‌تر شده و نقطه ثبت دمایی در مغز (set-point) جابجا می‌شود. تب نشانه مبارزه بدن در برابر عوامل بیماری‌زا است و گاهی نیز پاسخ دمایی دستگاه ایمنی بدن نسبت به عفونت‌های داخلی تلقی می‌شود (۱۰).

متغیرهای زبانی تب را ، دارد و ندارد در نظر گرفته که مجموعه تب دارد تابعی به صورت trapmf (.5, .5, 1, 1) یک تابع ذوزنقه ای‌است که به گونه‌ای است که مقادیر بیشتر از ۰۵ باتابع عضویت ۱ مقداری را نشان می‌دهد که تب وجود دارد. به عنوان نمونه توابع عضویت تب و شدت سردرد و سابقه سردرد به‌ترتیب در نمودار‌های ۱ و ۲ و۳ نشان داده شده است.

متغیرهای ‌خروجی

هدف ازطراحی این سیستم، شناسایی و تشخیص نوع سردرد می‌باشد. متغیرهای خروجی عبارتند از: میگرن، تنشن، سردردهای ناشی از عفونت و سردردهای ناشی از افزایش فشار داخل جمجه. مثلا میگرن تابعی است به صورت trimf (.25, .25 ,.25)،
یک تابع مثلثی، به‌گونه‌ای است که مقدار خروجی ۲۵. باتابع 

عضویت ۱ تشخیص میگرن را برای بیمار می‌دهد. تابع عضویت خروجی در نمودار ۴ نشان داده شده است.

پایگاه‌ قواعد‌ فازی

این بخش شامل قواعد فازی ارائه شده برای سیستم می‌باشد. این قواعد که با مشورت متخصص خبره صورت گرفته به صورت ۲۳۷ قاعده اگر- آنگاه مشخص و در سیستم ذخیره شد. بعداز ترجمه مفاهیم غیر‌دقیق ، با استفاده از استدلال فازی (Fuzzy Reasoning)، ارزش منطقی هر قاعده فازی (Rule Fuzzy)، اگر-آنگاه مشخص می‌گردد (۲۸-۲۷). دراستدلال فازی با استفاده از ترکیب عملگرهای AND و OR و مکمل‌گیری فازی، سعی می‌شود نتیجه خاصی از قواعد فازی و واقعیت‌های شناخته شده ،گرفته شود(۳۱).

‌فازی‌سازی‌ و‌ غیر‌فازی‌سازی

در این مرحله برای تعیین ویژگی‌های استنتاج فازی، مدل‌های مختلف بررسی شد. از آنجایی که مدل فازی ممدانی به خوبی قادر به ارائه تجارب انسانی است، این مدل با مشخصه‌های min max- به عنوان عملگرهای OR-AND و روش مرکز جرم (Centroid) برای غیر فازی‌سازی ، نهایی شد.

نتایج

سیستم تشخیصسردرد با استفاده از اطلاعات ۱۵۰ بیمار مبتلا به سردرد، ارزیابی شد. این اطلاعات از پرونده بیمارانی استخراج شد که در بیمارستان قائم مشهد درمان شدهبودند و با علائم نزدیک به‌هم، به یکی از سردردهای میگرن، تنشن، سردرد ناشی از عفونت و سردرد ناشی از افزایش فشار داخل جمجه مبتلا بودند. برای محاسبه میزان انطباق نتایج سیستم با واقعیت‌، صحت سیستم بررسی شد. صحت سیستم برای سردرد میگرن ، تنشن، سردرد ناشی از عفونت و سردرد ناشی از افزایش فشار داخل جمجمه به ترتیب ۸۶ ، ۹۳ ، ۹۷ و ۹۵ % به‌دست آمد. برای نشان دادن کارایی و توان سیستم در تفکیک موارد مبتلا به سردرد میگرن، تنشن، سردرد ناشی از عفونت و سردرد ناشی از افزایش فشار داخل جمجمه، از مشخصه دقت، حساسیت و ویژگی استفاده شد. دقت ، حساسیت و ویژگی سیستم به‌ترتیب ۹۳، ۸۵، ۸۸ % برای میگرن و۹۱، ۵۵ ، ۹۹ % برای سردردهای تنشی و۸۶، ۶۶ ،‌‌۹۹% برای سردرد‌های ‌ناشی ‌از ‌عفونت ‌و ‌۸۵ ،‌‌۸۸ ،‌۹۷‌ % ‌برای‌ سردردهای‌ ناشی ‌از ‌افزایش ‌فشار‌ داخل جمجمه ‌به‌دست‌آمد.

برای سنجش میزان ارتباط بین تشخیص ثبت شده در پرونده با تشخیص سیستم و برای تعیین کارایی و عملکرد سیستم، به‌کمک آزمون دو‌جمله‌ای (Binomial Test) و همچنین آزمون خی دو (Chi-Square) نتیجه گیری شد که نسبت تشخیص درست و نادرست ، اختلاف ‌معناداری دارد‌.‌ در‌تست ‌دوجمله‌ای‌ بررسی ‌شد‌ که ‌درصد ‌تشخیص ‌درست‌ (۸۲٪) ‌‌بیش ‌از‌ تشخیص نادرست‌ (۱۸٪) ‌‌بوده ‌است‌(۰۰۱/۰>p). میزان انطباق بین تشخیص سیستم و تشخیص ثبت شده در پرونده بیمار نیز با استفاده از ضریب توافقی کاپا صورت گرفت. این ضریب برای سردردهای میگرنی ۷۱/۰ (۰۰۱/۰>P) و برای سردردهای تنشنی ۶۵/۰ (۰۰۱/۰>P) و برای سردرد ناشی از عفونت ۷۴/۰ (۰۰۱/۰>P) ‌‌و‌ برای تشخیص ‌سردرد ‌ناشی ‌از ‌افزایش ‌فشار ‌داخل ‌‌جمجه ‌‌‌‌۸۴/۰‌ (۰۰۱/۰>P)‌‌ بود. برای تفسیر مقادیر ضریب توافقی کاپا، از جدول لاندکس[1] و کوچ[2] ، استفاده شد که مقادیر آن در جدول ۲ ارائه شده است (۲۹). بر این اساس بین تشخیص سیستم و تشخیص ارائه شده از سوی پزشک در مورد سردرد 

های میگرنی و تنشنی و سردردهای ناشی از عفونت ارتباط قوی و در مورد سردرد ناشی ازافزایشICP ارتباط خیلی قوی وجود دارد.

بحث

بیماری سردرد در همه جای دنیا شایع است و سردرد از شایع ترین بیماریهای مغز و اعصاب است . چند دلیل برای بیماری سردرد وجود دارد . یکی اینکه سردرد یک بیماری نیست بلکه یک طیف بیماری است. مجموعه‌ای از بیماری‌های مختلفی است که ایجاد سردرد می‌‌کنند. در واقع سردرد می‌تواند علامت خیلی از بیماری‌ها باشد یا خودش به تنهایی یک بیماری باشد‌، به‌خاطر همین خیلی متنوع و شایع است.از آنجایی‌که علائم اولیه میگرن، تنشن، سردرد ناشی از عفونت و سردرد ناشی از افزایش فشار داخل جمجه شباهت زیادی به‌هم دارد اغلب اوقات پزشکان به‌ویژه پزشکان کم تجربه را در تشخیص اولیه دچار اشتباه می‌کند. از این‌رو به‌سبب اشتباهاتی که در تشخیص دقیق این سردردهای شایع رخ می‌دهد سیستم‌هایی که از دانش موجود استفاده کرده و به حمایت از وظایف پزشکان می‌پردازند، مهم و ارزنده خواهند بود(5،7 ،9 ،13). سیستمی‌که اهن[1] وهمکارانش ارائه داده‌اند به تشخیص فقط سه نوع سردرد اولیه میگرن و تنشن و خوشه‌ای، که سردرد خوشه‌ای نیز به‌ندرت اتفاق می‌افتد، می‌پردازد. آن‌ها نظریه مجموعه فازی را برای تشخیص پزشکی سردرد به‌کار گرفته‌اند و به تعمیم یک جدول مصاحبه و تخصیص درجه فازی به روابط بین علائم و سه نوع سردرد اولیه و در نهایت به یک روش تشخیصی سردرد می‌پردازند (۱۷). سیستم ارائه شده در پژوهش حاضر به تشخیص طیف وسیع‌تری از بیماری سردرد همراه با علائم مشابه می‌پردازد و هم سردردهای اولیه و هم سردردهای ثانویه را شامل می‌شود. این سیستم با به‌کارگیری منطق فازی در توصیف مفاهیم غیر دقیق و مبهم و با استفاده از تجربه و دانش فرد خبره مدلی را طراحی می‌کند که منجر به تشخیص و افتراق سردردهای شایع می‌شود. سیستمی که در این پژوهش ارائه شده دارای صحت و دقت وحساسیت نسبتا خوبی است. اما باید توجه داشت که نتایج ارزیابی این سیستم با استفاده از داده‌های تنها یک بیمارستان ارائه شده و لازم است با داده‌های بیشتر از مراکز مختلف، مورد بررسی قرار گیرد. می‌توان درآینده به ارزیابی سیستم با استفاده از داده‌های متنوع‌تر و بیشتری پرداخت و همچنین دامنه تشخیصی سیستم را به‌خصوص در زمینه سردردهای ناشی از عفونت و سردردهای ناشی از افزایش فشار داخل جمجه گسترش داد.

نتیجه گیری

با توجه به نزدیک بودن علائم سردردهای شایع و اهمیت تشخیص به موقع و نیز نتایج مطلوب حاصل از به کارگیری و ارزیابی سیستم خبره پیشنهادی، این سیستم  می‌تواند در تشخیص و افتراق سردردهای شایع بسیار مفید باشد.