Экспертная медицинская система (ЭМС) – это программный комплекс, который использует
записанные в базе знаний медицинские факты, правила и модели для поддержки принятия
клинических решений в условиях неопределённости. Качество и эффективность такой системы
зависят в первую очередь от того, насколько грамотно построена её база знаний.

Основные задачи построения базы знаний

1. Сбор и формализация профессионального опыта врачей, клинических рекомендаций и
   медицинских протоколов.
2. Представление знаний в форме, пригодной для автоматического вывода (логического,
   вероятностного, нейросетевого).
3. Обеспечение возможности обновления и расширения знаний без нарушения целостности
   системы.
4. Поддержка объяснимости (traceability) выводов, т.е. возможность показать, почему
   система приняла то или иное решение.

Ключевые компоненты базы знаний

2.1 Факты (данные)

Факты – это конкретные утверждения о пациенте или о медицинской предметной области,
например:

• Возраст пациента = 45 лет
• Температура тела = 38,5 °C
• Наличие повышенного уровня С‑реактивного белка

2.2 Правила (production rules)

Правила представляют собой условно‑действующие конструкции вида ЕСЛИ … ТО ….
В медицинских ЭМС они отражают клинические протоколы и рекомендации.

IF (температура > 38°C) AND (с-реактивный белок > 10 мг/л)
THEN suggest = "Возможна инфекционная реакция";

2.3 Онтологии и семантические сети

Онтологии определяют понятия (классы, свойства, отношения) в медицинской сфере
(например, Заболевание, Симптом, Лекарственное средство) и связывают их
между собой. Семантические сети позволяют визуализировать эти связи и использовать их
для вывода новых фактов.

2.4 Фреймы (frames)

Фрейм – структурированный шаблон, описывающий типовой объект (например, Кардиологический
приём) и его атрибуты (симптомы, результаты анализов, рекомендации). Фреймы поддерживают
наследование свойств и позволяют группировать связанные правила.

2.5 Вероятностные модели (байесовские сети)

Байесовские сети применяются для работы с неопределёнными данными, позволяя оценивать
вероятность наличия того или иного заболевания на основе совокупности симптомов.

2.6 Нейросетевые модели

Современные гибридные ЭМС часто включают обучаемые нейронные сети, которые
выделяют скрытые закономерности в больших наборах медицинских данных (ЭКГ, МРТ,
картинки). В базе знаний сохраняются их параметры и метаданные (архитектура, набор
обучающих данных, метрики точности).

Этапы создания базы знаний

3.1 Сбор знаний

Источники:

• Клинические рекомендации (WHO, NICE, национальные протоколы).
• Электронные медицинские карты (EMR).
• Экспертные интервью с врачами‑специалистами.
• Научные публикации и мета‑анализы.

3.2 Структурирование и формализация

На этом этапе происходит:

1. Идентификация ключевых понятий и их иерархии.
2. Определение типов знаний (факты, правила, вероятностные зависимости).
3. Выбор формального представления (продукционные правила, OWL‑онтология,
   CSV‑таблицы, JSON‑схемы).

3.3 Заполнение базы знаний

Формализация знаний включает:

• Запись правил в виде IF…THEN или в виде логических формул.
• Создание онтологий в стандарте OWL (Web Ontology Language).
• Определение параметров байесовских сетей (приоритеты, условные вероятности).
• Обучение нейронных моделей и сохранение их весов.

3;4 Интеграция и тестирование

После заполнения база знаний встраивается в архитектуру ЭМС (модуль вывода,
модуль объяснения, модуль обновления). Тестирование проводится на реальных и
симулированных клинических сценариях:

• Проверка полноты (coverage) – покрывает ли база всех типичных диагнозов?
• Проверка корректности (correctness) – соответствуют ли выводы рекомендациям?
• Оценка производительности (latency) – насколько быстро система генерирует
  рекомендации?

Хранилище и управление базой знаний

4.1 Форматы хранения

4.2 Управление версиями

Важно вести версионирование (Git, DVC) для каждой части базы знаний:
правила, онтологии, модели; Это позволяет откатываться к проверенным версиям
и отслеживать изменения, вызванные новыми рекомендациями или клиническими исследованиями.

4.3 Обеспечение целостности и согласованности

Для поддержки консистентности применяют:

• Контрольные правила (integrity constraints) – например, «у пациента не может быть
  одновременно диагнозов «гипертония» и «гипотония».
• Триггерные механизмы, которые автоматически обновляют связанные факты при
  изменении ключевых параметров.

Механизмы вывода и объяснения (инференс)

5.1 Логический вывод (Rete‑алгоритм)

Самый распространённый механизм для продукционных правил. Позволяет быстро находить
соответствия между текущими фактами и предикатами правил.

5.2 Вероятностный вывод (инференция в байесовских сетях)

Используется, когда данные неполные или шумные. Вычисляется апостериорная вероятность
заболевания по формуле Байеса.

Нейронные сети «прогнозируют» диагноз или риск на основе обучающих данных.
Для объяснения выводов могут применяться методы SHAP, LIME или визуализация
активаций слоёв.

5.4 Объяснимость (Explainability)

Пользователь может запросить trace вывода:

1. Какие правила сработали?
2. Какие факты послужили основанием?
3. Какова вероятность, рассчитанная байесовской сетью?
4. Какие признаки оказали наибольшее влияние в нейросети?

Примеры типовых компонентов базы знаний

6.1 Пример правила диагностики пневмонии

IF (температура > 38°C) AND (кашель = "сухой") AND (рентгенография = "инфильтраты")
THEN diagnosis = "Пневмония";

6.2 Фрагмент онтологии (OWL)

<Class rdf:about="http://example.org/ontology#Disease"/>
<Class rdf:about="http://example.org/ontology#Pneumonia">
 <rdfs:subClassOf rdf:resource="http://example.org/ontology#Disease"/>
</Class>
<ObjectProperty rdf:about="http://example.org/ontology#hasSymptom"/>
<ObjectProperty rdf:about="http://example.org/ontology#hasRiskFactor"/>

6.3 Байесовская сеть для оценки риска инфаркта

Переменные: Возраст, Курение, Холестерин, Гипертония, Инфаркт.
Условные вероятности задаются в таблицах CPT.

6.4 Нейронная модель классификации кожных поражений

Архитектура: ResNet‑50, предобученная на ImageNet, дообучена на наборе 15 000
изображений дерматологических снимков. Выход – вероятности классов
(меланома, базальноклеточная карцинома, доброкачественное образование).

Проблемы и тенденции развития

• Обновляемость – медицинские рекомендации часто меняются; требуется
  автоматизированный процесс импорта новых протоколов.
• Интероперабельность – необходимость интеграции с EMR, HL7, FHIR.
• Объяснимость – рост требований регуляторов к прозрачности ИИ‑систем.
• Гибридные подходы – сочетание правил, вероятностных моделей и нейронных
  сетей для повышения точности и устойчивости к «неизвестным» ситуациям.
• Этические аспекты – защита персональных данных пациентов и соблюдение
  принципов справедливости в рекомендациях.

Лучшие практики построения базы знаний

1. Соблюдать модульность. Разделяйте правила, онтологии и модели по
   тематическим областям (кардиология, инфекционные болезни и т.д.).
2. Использовать стандарты. OWL/RDF для онтологий, FHIR для обмена данными,
   PMML/ONNX для моделей машинного обучения.
3. Внедрять процесс валидации. Регулярные ревью экспертами, автоматизированные
   тесты (unit‑tests) для правил и моделей.
4. Обеспечить версионирование и аудит. Храните метаданные (дата, автор, источник)
   каждой единицы знания.
5. Поддерживать объяснимость. Сохраняйте ссылки от правил к источникам
   (рекомендациям, публикациям) и от моделей к их обучающим наборам.
6. Обучать персонал. Пользователи должны знать, как задавать вопросы системе
   и как интерпретировать её ответы.

Структура базы знаний в экспертной медицинской системе – это сложный, многослойный
конструкт, объединяющий факты, правила, онтологии, вероятностные и нейросетевые модели.
Тщательная проработка каждой составляющей, соблюдение стандартов и постоянный процесс
обновления позволяют создать надёжный инструмент поддержки клинического принятия
решений, способный работать в условиях неопределённости и одновременно быть
прозрачным для врачей и регуляторов.

Постоянное развитие технологий (глубокое обучение, семантические графы, автоматическое
извлечение знаний из литературы) открывает новые возможности для улучшения
структуры баз знаний, делая их более гибкими, адаптивными и объяснимыми.