1. بسم الله الرحمن الرحیم

2. DECISION SUPPORT SYSTEM & CLINICAL DECISION SUPPORT SYSTEM
استاتید گرامی : 1-جناب آقای دکتر توحید خواه
2-جناب آقای دکتر احمدی پژوه
گرد آورندگان : 1-رضا پور اسدالله ( )
2-احمد اسدالهی ( )
DSS & CDSS

3. فهرست 1-تصمیم گیری چیست ؟ 2-انواع تصمیمات 3-مراحل تصمیم گیری
4-انواع تصمیم گیری
5-سیستم های پشتیبان تصمیم گیریDSS
6-اجزای سیستم پشتیبان تصمیم گیری
7-اجزای مدیریت داده
8-اجزای مدیریت مدل
9-ساختار یک DSS
10-دلایل نیاز به سیستم های مکانیزه حمایت از تصمیم
11-فن آوری های اصلی حمایت از تصمیم

4. ادامه فهرست 12-مفهوم سیستمهای حمایت از تصمیم
13-سیستم های حمایت از تصمیم گروهی
14-سیستم اطلاعات مدیریت عالی
15-سیستم های خبره
16-شبکه های عصبی مصنوعی
17-سیستم های پشتیبان ترکیبی
18-تفاوت سیستم های خبره با سیستم پشتیبان تصمیم گیری
19-طبقه بندیDSS
20-سیستم پشتیبانی تصمیم مبتنی بر ارتباطات
21-سیستم پشتیبان تصمیم مبتنی بر داده
22-سیستم پشتیبان تصمیم مبتنی بر اطلاعات

5. ادامه فهرست 23-سیستم پشتیبان تصمیم مبتنی بر متن
24-سیستم پشتیبان تصمیم مدل گرا
25-سیستم پشتیبان نصمیم گیری و محیط محاسباتی آن
26-پايگاه داده سسیتم پشتیبان تصمیم گیری
27- معماری سیستم پشتیبانی تصمیم و انواع آن
28-سیستم پشتیبان تصمیم گیری در پزشکی CDSS
29-دلایل استفاده از CDSSدر پزشکی
30-نقش DSSدر مراقبت های پزشکی
31-کاهش ریسک
32-یادگیری
33-چهار مرحله تکرار شونده برای تسهیل یادگیری اصولDSS

6. ادامه فهرست 34-زمینه های مورد استفاده سیستم های CDSS
35-چهار عملکرد کلیدی سیستم های الکترونیکی حمایت ازتصمیم بالینی
36-مولفه های اصلی و انواع CDSS
37-دسته بندی سیستم های پشتیبان تصمیم بالینی
38-پیشنهاد درخواستی
39-پیشنهاد غیر درخواستی
40-سیستم های خودکار
41-انواع سیستم های پشتیبانی تصمیم
42-انواع مدلهای پشتیبانی تصمیم
43-مدلهای پشتیبانی تصمیم
44-چهار ترکیب ممکن برای تصمیم و خطا

7. ادامه فهرست 45-رسم منحنی ROC 47-جدول تصمیم DECISION TABLE 48-فلوچارت
46-روشهای پشتیبانی تصمیم کیفی
47-جدول تصمیم DECISION TABLE
48-فلوچارت
49-مقایسه جدول درستی و فلوچارت
50-فرآیند مدلسازی آماری
51-چرا DSSها در حال حاضر مقبولیت ندارند
52-برخی محدودیتها و معایب سیستم های CDSS
53-هوش مصنوعی یا ARTIFICIAL INTELLIGENCEچیست؟
54-هوش مصنوعی و کاربرد آن در DSS
55-نتیجه گیری
56-منابع

8. تصمیم گیری چیست ؟
1-عمل انتخاب (انتخاب یک گزینه از گزینه های ممکن که به باور تصمیم گیر بهترین نتیجه را به همراه دارد)
2-تصمیم گیری یافتن راه حل بهینه برای مساله است و دستیابی به پاسخ بهینه ، منطق کلی کار را تشکیل می دهد .
3-هوشمندی +رویکردهای قبلی +یادگیری
4-بکارگیری در علوم نظامی+صنعتی+کسب و کار
5-بکارگیری روش های بهینه سازی ،برنامه ریزی ریاضی،الگوهای تصمیم گیری چند معیاره
6-سیستم های خبره (بیش از مدل ریاضی ،نظریه های ادراکی تصمیم گیری را الگو قرار می دهد.
7-سیستم های خبره پیشرفته :قدرت یادگیری +استفاده از اشتباهات گذشته +تصمیم گیری بهتر آینده

9. انواع تصمیمات
1.تصمیم ساخت یافته: اطلاعات در قالب مشخصي مورد پردازش قرار مي گيرند و اغلب مي توان به راحتي به راه حل صحيح دست يافت.
2.تصميم غير ساخت يافته: چندين پاسخ صحيح وجود دارد و به جاي يافتن پاسخ صحيح باید بهترين پاسخ را بيابيد.
3.تصميمات برگشت پذير: اين تصميمات مکرراً اتفاق مي‌افتد.
4.تصميمات غير برگشت پذير: به ندرت اتخاذ مي‌گردد شايد فقط يکبار.

10. مراحل تصميم گيري
آگاهي و درک(فاز هوشیاری): يافتن يا بازشناسي مسائل، احتياجات يا فرصتها
طراحي: در نظر گرفتن راههاي ممکن حل مسئله، برآورده شدن احتياجات يا بهره گيري از فرصتها
انتخاب: حذف و برداشتن تنگناها، آزمايش و وزن دادن به هر راه حل، برآورد تأثير هر کدام و انتخاب بهترين آنها
پياده سازي (اجرا): بکارگيري و اجراي راه حل انتخابي و نمايش نتايج

11. انواع تصميم گيري 1- تصميم گيري مرتبط با تشخيص (استفاده از كامپيوتر)
مثال: احتمال ابتلا به Myocardial Infraction براساس سوابق بيمار و نتايج ECG چقدر است؟
2- تصميم گيري مرتبط با درمان (شواهد)
مثال: براي بيمار مبتلا به انسداد بيش از 90% عروق كرونري چپ، بهترين درمان براساس سن و ريسك معين چيست؟

12. سیستم های پشتیبان تصمیم گیری(DSS)
این سیستمها ، منابع انسانی ( آگاهیهای فردی ) را با قابلیتهای کامپیوتری ترکیب می کنند تا باعث ارتقا کیفیت تصمیم گیری ها مخصوصا در مورد مسائل غیر ساخت یافته شوند .

13. اجزاي سيستم پشتيبان تصميم گيري
مديريت داده data management:
ذخيره سازي و نگهداري داده هايي که کاربر از طريق سيستم بر روي آنها تحليل انجام مي دهد.
مديريت مدل Model management :
مدلهاي ذخيره شده در يک پايگاه مدل و نرم افزاري تحت عنوان سيستم مديريت مدلها است.
واسط کاربري :
به کاربر امکان مي دهد دانش خود را با قابليتهاي پردازشي و ذخيره سازي سيستم در هم آميزد

14. پایگاه داده مدیریت پایگاه داده راهنمای داده امکانات پرسش
اجزای مدیریت داده
پایگاه داده
مدیریت پایگاه داده
راهنمای داده
امکانات پرسش

15. پایگاه مدل سیستم مدیریت پایگاه مدل راهنمای مدل
اجزای مدیریت مدل
پایگاه مدل
سیستم مدیریت پایگاه مدل
راهنمای مدل

16. ساختار یک DSS

17. دلایل نیاز به سیستم های مکانیزه حمایت از تصمیم
1- محدودیت های فکری بشر در پردازش و ذخیره سازی
2- محدودیت های دانش
3- کاهش هزینه
4- حمایت فنی
5- حمایت از کیفیت
6- حاشیه رقابت و مهندسی مجدد فرایندها و اختیارات

18. فناوری های اصلی حمایت از تصمیم
1- سیستم حمایت از تصمیم
2- سیستم های حمایت از تصمیم گروهی
3- سیستم های اطلاعات مدیریت عالی
4- سیستم های خبره
5 – شبکه های عصبی مصنوعی
6- سیستم های حمایت ترکیبی

19. مفهوم سیستمهای حمایت از تصمیم :
این سیستمها ، منابع انسانی ( آگاهیهای فردی ) را با قابلیتهای کامپیوتری ترکیب می کنند تا باعث ارتقا کیفیت تصمیم گیری ها مخصوصا در مورد مسائل نیمه ساخت یافته شوند .

20. سیستم های حمایت از تصمیم گیری گروهی
حجم زیادی از تصمیمات اصلی سازمان توسط گروهها گرفته می شود از آنجایی که گرد آوری یک گروه در یک مکان و زمان معین مشکل و هزینه بر است و برگزاری این جلسات گروهی نیز زمان زیادی را می طلبد و نتایج تصمیم گیری ها در حد متوسط است، برای رفع این مشکلات از فناوری اطلاعات استفاده می شود که عنوان های مختلفی مانند سیستم های حمایت از تصمیم گروهی را دارا می باشد .

21. سیستم اطلاعات مدیریت عالی
این سیستم ها برای اهداف زیر به وجود آمده اند :
1- ایجاد دیدگاهی سازمان یافته از عملیات سازمان
2-ایجاد یک واسطه نزدیک به کاربر در انواع سبک های تصمیمات فردی
3- تهیه کنترل های کارا و به موقع
4- دسترسی سریع به اطلاعات دقیق
5- تبادل داده ها و اطلاعات
6- تعیین مسائل

22. سیستم های خبره
در این نوع از سیستم ، خبرگی و تخصص از فرد متخصص به کامپیوتر منتقل می شود . این دانش در کامپیوتر ذخیره می شود و هنگام نیاز، کاربر از آن استفاده می کند. مانند یک متخصص به خوبی استنباط می کند و به نتیجه مناسبی می رسد .

23. شبکه های عصبی مصنوعی
در فناوری های قبلی باید از اطلاعات و دانش موجود در کامپیوتر که ازافراد متخصص گرفته می شود استفاده می کردیم ولی چون دسترسی به اطلاعات به سادگی امکان پذیر نیست تصمیم گیرندگان باید از تجربه های خود در شرایط گوناگون استفاده کنند . در این سیستم کامپیوتری امکان یادگیری از تجربه های گذشته وجود دارد و به این طریق مسایل حل می شود .

24. سیستم های پشتیبان ترکیبی
برای حل مسائل تصمیم گیرندگان می توانند از ترکیب چند فناوری اطلاعاتی استفاده کنند . بنابراین بایستی از یکپارچه سازی این سیستم ها اسفاده کرد که اگر درجه یکپارچگی بالا باشد ابزار تصمیم گیری سیستمی ترکیبی است که در اختیار کاربر قرار می گیرد .

25. تفاوت سیستم های خبره با سیستم پشتیبان تصمیم گیری
در سيستم پشتيبان تصميم گيري کاربر بايد در زمينه تخصصي مورد نظر دانش کافي داشته باشد و از سيستم براي مدلسازي راه حلهاي مختلف استفاده کند وانتخاب راه حل نهايي به عهده کاربر است.
در بکارگيري سيستمهاي خبره تنها لازم است وقايع مربوط به مساله را به سيستم معرفي کنيد و در واقع راه حل مساله شما از طريق دانش و تخصص ثبت شده در سيستم قابل دستيابي است.

26. DSSرا به پنج طبقه گسترده میتوان تقسیم کرد
1- سیستم های تصمیم گیری مبتنی بر ارتباطات
2- سیستم های تصمیم گیری مبتنی برداده
3- سیستم های تصمیم گیری مبتنی بردانش
4- سیستم های تصمیم گیری مبتنی برمتن
5- سیستم های تصمیم گیری مدل گرا

27. سیستم پشتیبانی تصمیم مبتنی بر ارتباطات
این سیستم از شبکه وتکنولوژی ارتباطات برای تصمیم گیری و ارتباطات استفاده میکند.دراین سیستم ،تکنولوژی ارتباطات بخش حاکم می باشد.

28. سیستم پشتیبانی تصمیم مبتنی بر داده
عموما، سیستم های پشتیبانی مبتی بر داده بر دسترسی وبه کارگیری داده های داخلی و گاهی داده های خارجی و بلادرنگ تاکید میکند.

29. های مبتنی بر اطلاعات DSS
این سیستم ها می تواند عملیاتی را برای مدیران فراهم اورند. این سیستم ها ، سیستم های مربوط به کامپیوترهای شخصی هستند که دانش حل مسائل خاص را دارند. این دانش شامل اطلاعاتی درمورد محدوده ای خاص ، مشکلات آن محدوده و مهارتهای حل ان مشکلات می باشد.

30. DSS های مبتنی بر متن
این سیستم از ذخیره کامپیوتری و تکنولوژی های پردازش به منظور بازیابی متن ها وتجزیه وتحلیل انها استفاده میکند.

31. سیستم پشتیبانی مدل گرا
سیستم های پشتیبانی مدل گرا ، بر دسترسی وبه کارگیری مدل های بهینه سازی وشبیه سازی تاکید می کنند.

32. سیستم پشتیبان تصمیم گیری و محيط محاسباتي آن

33. پايگاه داده سسیتم پشتیبان تصمیم گیری
سیستم پشتیبانی تصمیم از داده‌هاي داخل ( پايگاه هاي داده سازمان) ، داده‌هاي خارجي (اينترنت) و داده‌هاي شخصي فرد تصميم‌گير استفاده مي‌نمايد.
سیستم پشتیبانی تصمیمی تواند خود مستقل بوده يا از پايگاههاي داده سازمان استفاده نمايد.

34. معماری سیستم پشتیبانی تصمیم و انواع آن
معماری سیستم پشتیبانی تصمیم گیری از چهار جز اصلی تشکیل شده است :
سیستم زبانLS
سیستم ارائهPS
سیستم اطلاعاتKS
سیستم پردازش مسالهPPS

35. معماری سیستم پشتیبانی تصمیم و انواع آن

36. سيستم پشتيبان تصميم گيري در پزشكي Clinical Decision Support System (CDSS )
نرم‌افزارهاي كامپيوتري كه براي كمك به تشخيصهاي باليني طراحي و ساخته شده‌اند. اين سيستمها با استفاده از اطلاعات و دانش پزشكي به تشخيص عارضه‌هاي گوناگون و تجويز توصيه‌هاي پزشكي براي بيماران اقدام مي‌نمايند.

37. دلایل استفاده از CDSSدر پزشكي
1-پزشکان برخی اوقات دچار خطا و اشتباه می شوند.
2-پزشکان قادر نیستند که همیشه خود را با آخرین یافته های اطلاعات پزشکی تطبیق دهند.
3-در موارد متداول استفاده از تصمیم گیری خودکار موثر است.
4-سازمانهای مراقبت بهداشتی مایل به افزایش کیفیت مراقبت و کاهش هزینه های آن هستند.

38. مثال :نقشDSS در مراقبت های بهداشتی
رضایت بیمار
کیفیت و قابلیت
کاهش ریسک
یادگیری

39. کاهش ریسک اشتباهاتی مانند دارهای اشتباه افزایش زمان بستری
اشتباهاتی مانند دارهای اشتباه افزایش زمان بستری
تداخلات دارویی نارضایتی بیمار
افزایش هزینه
استفاده از سیستم های DSSمانند CPOE, ADEبه همراه سیستم دارویی می تواند اشتباهات و تداخلات را کاهش داده و با عث کاهش هزینه و ریسک شود
ADE:adverse drug events
CPOE:computerized physician order entry

40. یاد گیری -از اهداف DSSکمک به درست تصمیم گرفتن انسان هاست.
Simon: dssبرای تصمیم گیران این موقعیت را فراهم می آورد که از مراحلی که با استفاده از تکنولوژی dssانجام می شود ،آموزش ببینند تا بتوانند در موقعیت های بعدی بهتر تصمیم بگیرند.
-hammon: تکنولوژی می تواند ریسک های مخصوص به خود داشته باشد . عملگر نادرست ،تجهیزات ممکن است منجر به اشتباه و نادرست عمل کردن شود .اگر متخصصین بالین یا سایر افراد باور داشته باشند که ماشین یا ابزار کاملا ریسک را ازبین می برد ،ممکن است کمتر مراقب و هوشیار باشند و اشتباهات را کمتر تشخیص دهند.

41. چهار مرحله تکرارشونده برای تسهیل یادگیری اصول DSS

42. چهار مرحله تکرارشونده برای تسهیل یادگیری اصول DSS
اول:سیاست های آشکار برای مطمئن بودن از جمع آوری داده های لازم برای سیستم اطلاعات .
دوم:تکنولوژی اطلاعات باید ابزارهایی ایجاد کند تا از مخزن داده بیماران برای تولید اطلاعات استفاده کند .
سوم:چنین اطلاعاتی باید در اختیار تصمیم گیران قرار گیرد.
چهارم:تصمیم گیران باید متقاعد شوند تا عملیات خود را بر اساس این اطلاعات جدید انجام دهند .

43. زمینه های مورد استفاده سیستم های CDSS
تولید Alert ها و reminder ها برای پزشک
کمک در تشخیص بیماری به پزشک
برنامه ریزی درمان
تشخیص و تفسیر تصاویر پزشکی

44. زمینه های مورد استفاده سیستم های CDSS

45. چهار عملکرد کلیدی سیستم های الکترونیکی حمایت از تصمیمات بالینی
اداری : حمایت از کد های بالینی و مستندات
مدیریت موارد پیچیده بالینی: مانند پروتکل های شیمی درمانی، ارجاع و پیگیری، مراقبت های پیشگیری
کنترل هزینه ها: کنترل دستورات پزشکی، جلوگیری از تکرار آزمایشات یا انجام آزمایشات غیر ضروری
حمایت از تصمیم: حمایت از تصمیمات کلینیکی و فرایند درمان و ارتقا استفاده از راهنمائی های اختصاصی

46. مولفه های اصلی و انواع CDSS
اطلاعات پزشكي
داده بيمار
پيشنهاد موردي
انواع سيستمهاي CDSS:
تعامل مستقيم سيستم و پزشك (مانند INTERNIST)
سيستم مستقيما به منبع داده هاي بيمار متصل است.(مانند سيستمهاي مفسر ECG)
سيستمهاي همراه با مدارك كامپيوتري بيمار(CPR) و بكاربردن اين ركوردها بعنوان ورودي

47. دسته بندي سيستمهاي پشتيباني تصميم باليني
سيستمهاي DSS از جوانب مختلفي طبقه بندي مي شوند:
نمايش اطلاعات: مثلا سيستمهاي مبتني بر درخت تصميم يا قواعد توليدي
نوع تصميم : مثلا تشخيصي يا درماني
زمينه پزشكي : مثلا سيستمهاي مربوط به پزشكي داخلي يا جراحي
دسته بندي سيستمهاي DSS از ديد پزشكان:
پيشنهاد درخواستي(Solicited Advice)
پيشنهاد غير درخواستي (Unsolicited Advice)
سيستم خودكار (Autonomous System)

48. پيشنهاد درخواستي
تعريف: به شرايطي اطلاق مي شود كه در آن پزشك از DSS مشورت مي طلبد.
ويژگيها:
درحالت عادي غيرفعالند و با درخواست كاربر فعال مي شوند.
امكان كنترل استدلالهاي انجام شده توسط DSS را فراهم مي كنند.
پزشك مي تواند سيستم را در مسير خاصي هدايت كند و صحت تشخيص خود را بررسي نمايد.
QMR(مرجع پزشكي سريع)
تعريف : نسخه تجاري INTERNIST و نمونه اي از سيستمهايي است كه پيشنهاد درخواستي در ارتباط با زمينه هاي متعددي ارائه مي كنند.

49. پيشنهاد غير درخواستي
اين نوع سيستمها نيازمند درخواست پزشك براي ارائه پيشنهاد نيستند و بر داده هاي در دسترس بيمار (مانند داده هاي آزمايشگاه تشخيص طبي يا CPR) تكيه دارند و مستقل از درخواست پزشك پيشنهاد خود را ارائه مي دهند.
ويژگيها:
همراه با سيستمهاي CPR هستند.
ارائه پيشنهاد جزئي از فعاليت مديريت داده است.
سيستم نمي تواند اهداف درمان و تشخيص را به درستي تشخيص دهد كه اين امر منجر به توليد پيشنهاد مثبت نادرست (FP) و هشدار اشتباه مي گردد

50. سيستم هاي خودكار
تعريف: سيستمهايي كه در آنها پيشنهاد بطور مستقيم بر روي بيمار اعمال مي شود، سيستم خودكار ناميده مي شوند. اين سيستمها چندين داده را در زمانهاي مشخصي اندازه مي گيرند و متناسب با آن رفتار خود را تطبيق مي دهند.
مثال: سيستمهاي كنترل بيهوشي يا تنفس مصنوعي
توجه: خرابي سيستم مي تواند خسارات جبران ناپذيري ايجاد نمايد.

51. انواع سيستم هاي پشتيباني تصميم
الگوريتمهاي باليني: قواعد توليد هشدار در سيستم مانيتورينگ علائم حياتي بيمار
پايگاه داده باليني(توابع تحليلي): قواعد موجود براي نحوه درهم كنش داروها
مدلهاي پاتوفيزيولوژيكي رياضي: مدلهاي فارماكوكينتيك براي محاسبه اثر تزريق دارو
سيستمهاي بازشناخت الگو :طبقه بندي انواع مختلف گلبول سفيد
سيستمهاي آماري : طبقه بندي ECG با الگوريتمهاي آماري
سيستمهاي تصميم تحليلي: محاسبه ريسك عمل جراحي
استدلال سمبليك يا سيستمهاي خبره : QMR براي تشخيص در پزشكي داخلي

52. انواع مدل های پشتیبانی تصمیم
کمی :بر اساس روش های آماری موجود است و از داده های آموزشی استفاده می کند
مثال: شبکه های عصبی، فازی، احتمالی، با معلم ، بدون معلم.
روشهای آماری در پشتیبانی تصمیم بالینی به کار می رود تا احتمال وقوع یک بیماری را تعیین کند.
در تصمیم گیری آماری همه ویژگی ها معمولا با هم به کار برده میشوند.
کیفی : از ویژگی های پیشنهاد شده متخصصین استفاده می کند و از استدلال های سمبولیک بهره می برد.
مثال:Boolean ، سیستم های خبره، درخت تصمیم.
این روش ها ریاضی نیستند. روشهای کیفی براساس الهام و درک استدلال توسط انسان بنا شده اند.
این روش ارتباط یک ویژگی اندازه گیری شده را با مقدار آستانه می سنجد

53. مدلهاي پشتيباني تصميم

54. چهار ترکیب ممکن برای تصمیم و خطا
مثبت درستTP : درصد افرادی که بیماری دارند و مدل تصمیم به درستی آن را تشخیص داده است.
منفی درستTN : در صد افرادی غیر مبتلا که مدل تصمیم به درستی آن را تشخیص داده است.
مثبت نادرستFP : درصد افراد غیر مبتلا که مدل تصمیم به اشتباه آنها را مبتلا تشخیص داده است.
منفی نادرستFN : درصد افراد مبتلا که مدل تصمیم به اشتباه آنها را غیرمبتلا تشخیص داده است.
TP+FN=100%
FP+TN=100%
هدف مدل تصمیم حداقل کردن خطاهاست( FPو FN)

55. نکته درصد FN و FP به صورت مستقل حداقل نمی شود
اگر FP کم شود FN افزایش می یابد و برعکس
نمودار ROC مقدار بهینه را پیدا می کند.

56. مثال:
هدف تشخیص فشار خون بالا در افراد است. برای انجام این کار فشار خون افراد در سه گروه فرضی اندازه گیری می شود.
1- جمعیت سالم که تحت مراقبت قرار گرفته اند.
2- جمعیت بیماران مشمول مراقبت اولیه که به خاطر شکایات جزئی تحت بررسی هستند.
3- جمعیت بیمارانی که در بخش قلبی بستری هستند.

58. رسم منحنی ROC

59. روشهاي پشتيباني تصميم كيفي
تعريف: روشهاي كيفي براساس الهام و درك استدلال توسط انسان بنا شده اند و عبارتند از روشهاي حل مسأله اي كه استنتاج در آنها با استفاده از مدلهاي سمبوليك و عملگرهاي منطقي صورت مي گيرد.
تركيبي از واحدهاي تصميم گيري اوليه
سنجش واحدهاي تصميم گيري اوليه با مقدار آستانه
بيان نتيجه سنجش با يك عبارت بولي
سه استراتژي براي تصميم گيري كيفي توسط كامپيوتر:
1- استفاده همزمان از همه ريزتصميمها(جدول تصميم يا جدول درستي)
2- استفاده دنباله اي از ريزتصميمها(فلوچارت يا درخت تصميم)
3- استفاده از ريزتصميمهايي كه بصورت قاعده هاي عملكرد-موقعيت بيان شده اند(قاعده پايه يا استدلال كيفي)

60. جدول تصميم (Decision Table)
فرم كلي :
D=E{E1E2…Ek}
ويژگيها:
همه نوع عبارت منطقي را يكباره در بر مي گيرد.
تركيبات مختلف Ei ها بصورت گرافيكي و با نمودار ون نشان داده مي شوند.
بهينه كردن درستي مشكل است و ارزيابي آن از طريق آزمون مستقل براي اثبات كارآيي آن انجام مي شود.

61. مثال

62. فلوچارت
فرم كلي:
بصورت يك درخت تصميم كه ريشه در بالا قرار گرفته و شاخه ها و برگها به سمت پايين امتداد دارند. واحدهاي تصميم اوليه بصورت لوزي نشان داده مي شوند كه داراي يك ورودي از بالا و دو يا چند خروجي از پايين و كناره هاست. ورودي به واحد تصميم گيري اوليه قبلي مرتبط مي شوند و خروجيها عبارت ”درست“ يا ”نادرست“ هستند. (تصميم گيري باينري)
محلهاي قرارگيري ريزتصميمها، گره ناميده مي شوند.
مسيرهاي مختلف از ريشه تا يكي از برگهاي نهايي پيموده مي شوند. در برگهاي نهايي ممكن است فعاليت جديدي آغاز شود يا ادامه روند به فلوچارتهاي ديگر محول شود.
ويژگيها:
سهولت پردازش
عدم امكان بازگشت در صورت اشتباه بودن مسير
مشكل بودن آموزش و تعليم

63. مثال 1

64. مثال 2:شکل زیر درخت تصمیم مربوط به عمل جراحی زانو است

65. مثال 3:شکل زیر درخت تصمیم مربوط به پیش بینی زمان انهدام بیماری سرطان تیروئید در بیمار را نشان می دهد .

66. مقايسه جدول درستي و فلوچارت
هر دو از ريز تصميمها استفاده مي كنند.
اطلاعات نهفته در فلوچارت بيشتر از جدول درستي است.
در فلوچارت برخلاف جدول تصميم نيازي به در نظر گرفتن همه تركيبات داده هاي ورودي نيست.
فرمول بندي رياضي مشابه آنچه در روشهاي آماري استفاده مي شود در جدول درستي و فلوچارت وجود ندارد.
دسته بندي اطلاعات موجود در قالب مدل تصميم

67. فرآيند مدلسازي آماري انتخاب متغيرها
انتخاب تدريجي روشي براي انتخاب تعداد محدودي پيش بيني كننده
تخمين ضرائب رگرسيون
هرچه حجم داده بالا باشد، نامعيني مقدار ضرائب تخمين زده شده كمتر است و پيش بيني دقيق تر انجام مي گيرد.
ارزيابي عملكرد مدل
عيار مهم: قابليت تمايز مدل براي طبقه بندي بيماران
نمايش نتايج مدل
جدول پيش بيني هاي متناظر
چارت نمره

68. مثال: پيش بيني احتمال حاملگي ناخواسته در پزشكي باروري

69. چرا DSS ها در حال حاضر مقبوليت ندارند؟
ايده هاي نمايش اطلاعات (Representation) بسيار ساده است.
تصميمات پزشكان متفاوت است و اين تغيير پذيري نمي تواند در DSS لحاظ شود.
با اينكه تصميمهاي پزشكي تا حدي علمي هستند اما به محيط و زمينه كار و تجربه نيز وابسته اند.
پارادوكس تخصصي در DSS لحاظ نمي شود.

70. برخی محدودیت ها ومعایب سیستم های CDSS
محدوده کوچکی از علم پزشکی را پوشش می دهند
نمیتوانند تنوع زیادی از استراتژیهای تشخیصی و درمانی را برای حل مشکلات بیماران پیچیده ارائه دهند.
توصیه های CDSS بر مبنای اطلاعات ورودی بوده که این اطلاعات اغلب بخش کوچکی از اطلاعات لازم برای اخذ تصمیمات کلینیکی را تشکیل می دهند
تاکید بیش از اندازه بر داده های آزمایشگاهی ممکن است موجب غفلت از اطلاعات روانی و اجتماعی بیمار می شود.
ایجاد تغییر در رابطه بیمار و پزشک
ایجاد محدودیت برای پزشک در حل مسایل بصورت مستقل
مسایل حقوقی و قانونی در صورت بروز اشتباه و خطا

71. هوش مصنوعی یا Artificial Intelligence چیست ؟
تعریف:“ هوش مصنوعی، دانش ساختن ماشين‌‌ها يا برنامه‌های هوشمند است“
« هوش مصنوعی، شاخه‌ايست از علم كامپيوتركه ملزومات محاسباتی اعمالی همچون ادراك(perception )استدلال(reasoning )و یادگیری(learning ) را بررسی كرده و سيستمی جهت انجام چنين اعمالی ارائه می‌دهد.»
هنوز تعریف دقیقی که مورد قبول همه دانشمندان این علم باشد برای هوش مصنوعی ارائه نشده‌است.اما اکثر تعریف‌هایی که در این زمینه ارایه شده‌اند بر پایه یکی از ۴ باور زیر قرار می‌گیرند:
سیستمهایی که مانند انسان فکر می کنند (علوم شناختی Cognitive (
سیستمهایی که مانند انسان عمل می کنند (تست تورینگ Turing Test )
سیستمهایی که منطقی فکر می کنند (منطق ارسطوئی Aristotelian )
سیستمهایی که منطقی عمل می کنند(عاملهای دارای گرایش به هدف Goal Oriented )

72. بطور مثال : سیستمهایی که مانند انسان عمل می کنند
“The art of creating machines that perform functions that require intelligence when performed by people” (Kurzweil,1990)
هنر ایجاد ماشینهایی که اعمالی را که هنگامی که توسط انسان انجام می شود نیازمند هوش است , را انجام دهد.
“The study of how to make computers do things which ,at the moment, people do better ”(Rich and Knight,1991)
مطالعه اینکه چگونه به کامپیوترها بیاموزیم که اعمالی را که در حال حاضر انسانها بهتر انجام می دهند, انجام دهند.

73. هوش مصنوعی و کاربرد آن در DSS
گراف و جستجو (Graph and Search)
الگوریتم ژنتیکی (Genetic Algorithm)
سیستمهای خبره (Expert Systems)
منطق فازی (Fuzzy Logic)
شبکه های عصبی (Neural Networks)

74. نتیجه گیری
DSS علی رغم همه محاسن نقطه ضعف هایی نیز دارد. با این که تنها پزشک در قبال تصمیم اتخاذ شده در مورد بیمار مسئول است اما نمی تواند همه یافته های خود در مورد بیمار را به طور کامل به کامپیوتر منتقل کند. آموخته ها و تجربه های هر پزشک باید در DSS لحاظ شود. DSS ها در بهترین حالت مانند یک پزشک مبتدی عمل می کنند.
این نکته را هم باید در نظر داشت که موفقیت سیستم تصمیم گیری در مورد یک بیماری را نباید به بیماریی دیگری نسبت داد.

75. منابع Handbook_on_Decision_Support_Systems,
DECISION SUPPORT AND EXPERTSYSTEMS,MANAGEMENT,NTELLIGENTER TECHNOLOGIAN, GMBH
ARTIFICIAL ELLIGENCE, ARTIFICAL LIFE ,
DECISION SUPPORT AND EXPERT SYSTEMS, MANAGEMENT INTELLIGENTER TECHNOLOGIAN, GMBH,
BSTRACT OF CURRENT RESEARCH, ME. BERKELEY. EDU/