Micina

MYCIN fue un sistema experto de encadenamiento inverso que, mediante un enfoque de caja negra , identificaba bacterias causantes de infecciones graves, como bacteriemia y meningitis , y recomendaba antibióticos , ajustando la dosis según el peso del paciente . Su nombre derivaba de los propios antibióticos, ya que muchos de ellos llevan el sufijo "-micina". El sistema Mycin también se utilizaba para el diagnóstico de enfermedades de la coagulación sanguínea. MYCIN se desarrolló a lo largo de cinco o seis años a principios de la década de 1970 en la Universidad de Stanford . Fue escrito en Lisp como parte de la tesis doctoral de Edward Shortliffe, bajo la dirección de Bruce G. Buchanan, Stanley N. Cohen y otros.

MYCIN surgió del Proyecto de Programación Heurística de Stanford . ^{[ 1 ]} MYCIN demostró el potencial de los sistemas expertos para construir programas de razonamiento médico de alto rendimiento. A menudo se considera a MYCIN un pionero en el campo de los sistemas expertos, e incluso el Dr. Allen Newell lo denominó el "padre de todos ellos, el que impulsó este campo" . ^{[ 2 ]}

MYCIN dio lugar al entorno del sistema experto EMYCIN ("MYCIN esencial") para adquirir conocimiento, razonar con él y explicar los resultados, sin necesidad de conocimientos médicos específicos. Se puede describir como "EMYCIN = Prolog + incertidumbre + almacenamiento en caché + preguntas + explicaciones + contextos - variables". Una introducción se encuentra en el Capítulo 16 de Paradigmas de la Programación de Inteligencia Artificial (PAIP). ^{[ 3 ]}

MYCIN operaba utilizando un motor de inferencia bastante simple y una base de conocimiento de aproximadamente 600 reglas, obteniendo hechos inferenciales individuales identificados por expertos y codificándolos como reglas de producción individuales. Ningún otro programa de IA en ese momento contenía tanto conocimiento específico del dominio claramente separado de sus procedimientos de inferencia como MYCIN. Consultaba al médico que ejecutaba el programa mediante una larga serie de preguntas simples de sí/no o textuales. Al final, proporcionaba una lista de posibles bacterias causantes clasificadas de mayor a menor según la probabilidad de cada diagnóstico, su confianza en la probabilidad de cada diagnóstico, el razonamiento detrás de cada diagnóstico (es decir, MYCIN también enumeraba las preguntas y reglas que lo llevaron a clasificar un diagnóstico de una manera particular) y su curso de tratamiento farmacológico recomendado. MYCIN también podía responder a las consultas de los médicos relacionadas con el por qué hacía al usuario una pregunta determinada, cómo llegó a una conclusión y por qué no consideró ciertos factores. ^{[ 4 ]}

Los desarrolladores realizaron estudios que demostraron que el rendimiento de MYCIN se veía mínimamente afectado por perturbaciones en las métricas de incertidumbre asociadas a las reglas individuales, lo que sugiere que la potencia del sistema estaba más relacionada con su representación del conocimiento y su esquema de razonamiento que con los detalles de su modelo de incertidumbre numérica. Algunos observadores consideraron que debería haber sido posible utilizar la estadística bayesiana clásica . Los desarrolladores de MYCIN argumentaron que esto requeriría supuestos poco realistas de independencia probabilística o exigiría a los expertos que proporcionaran estimaciones para un número inviable de probabilidades condicionales . ^{[ 5 ] [ 6 ]}

Estudios posteriores demostraron que el modelo del factor de certeza podía interpretarse en un sentido probabilístico y pusieron de manifiesto problemas con los supuestos implícitos en dicho modelo. Sin embargo, la estructura modular del sistema resultó muy exitosa, lo que condujo al desarrollo de modelos gráficos como las redes bayesianas . ^{[ 7 ]}

( defun mycin () "Determina qué organismo está infectando a un paciente." ( emycin ( list ( defcontext patient ( name sex age ) ()) ( defcontext culture ( site days-old ) ()) ( defcontext organism () ( identity )))))

Combinación de evidencias

En MYCIN, era posible que dos o más reglas llegaran a conclusiones sobre un parámetro con diferentes ponderaciones de evidencia. Por ejemplo, una regla podía concluir que el organismo en cuestión era E. coli con una certeza de 0,8, mientras que otra concluía que era E. coli con una certeza de 0,5 o incluso -0,8. Si la certeza era menor que cero, la evidencia en realidad iba en contra de la hipótesis. Para calcular el factor de certeza, MYCIN combinaba estas ponderaciones mediante la siguiente fórmula para obtener un único factor de certeza:

${\displaystyle CF(x,y)={\begin{cases}X+Y-XY&{\text{si }}X,Y>0\\X+Y+XY&{\text{si }}X,Y<0\\{\frac {X+Y}{1-\min(|X|,|Y|)}}&{\text{en otro caso}}\end{cases}}}$

Donde X e Y son los factores de certeza. ^{[ 8 ]} Esta fórmula puede aplicarse más de una vez si más de dos reglas llegan a conclusiones sobre el mismo parámetro. Es conmutativa , por lo que no importa en qué orden se combinaron los pesos.

La fórmula de combinación fue diseñada para tener las siguientes propiedades deseables: ^{[ 3 ]}

• −1 puede interpretarse como "falso", +1 como "verdadero" y 0 como "incierto".
• Combinar lo desconocido con cualquier cosa no lo cambia.
• Combinar verdadero con cualquier cosa (excepto falso ) da verdadero . Lo mismo ocurre con falso .
• Combinar verdadero y falso es un error de división por cero.
• La combinación de +x y -x da como resultado desconocido .
• La combinación de dos positivos (excepto verdadero ) da como resultado un positivo mayor. Lo mismo ocurre con los negativos.
• La combinación de un elemento positivo y uno negativo da como resultado algo intermedio.

( Regla 52 : Si ( sitio del cultivo es sangre ) ( gramorganismo es negativo ) ( morfología del organismo es bacilo ) ( paciente quemado es grave ) entonces .4 ( identidad del organismo es pseudomonas ) ) Regla 52 : Si 1 ) EL SITIO DEL CULTIVO ES SANGRE 2 ) EL GRAM DEL ORGANISMO ES NEGATIVO 3 ) LA MORFOLOGÍA DEL ORGANISMO ES BACOL 4 ) LA QUEMADA DEL PACIENTE ES GRAVE Entonces hay evidencia débilmente sugestiva ( 0.4 ) de que 1 ) LA IDENTIDAD DEL ORGANISMO ES PSEUDOMONAS

Se realizó una evaluación de MYCIN en la Facultad de Medicina de Stanford . La primera fase consistió en 10 casos de prueba de diversa procedencia, seleccionados por un médico que desconocía los métodos y la base de conocimientos de MYCIN. Estos casos se presentaron a 7 médicos y 1 estudiante de medicina de último año. Se elaboraron 10 prescripciones para cada caso: 1 recomendada por MYCIN, 1 prescrita por el médico tratante del hospital del condado y 8 por los profesionales mencionados. La segunda fase consistió en que ocho especialistas en enfermedades infecciosas recibieran el resumen clínico y el conjunto de 10 prescripciones para cada uno de los 10 casos, y se les encomendara la tarea de proporcionar sus propias recomendaciones para cada caso y evaluar las 10 prescripciones. MYCIN obtuvo una calificación de aceptabilidad del 65 %, comparable a la calificación del 42,5 % al 62,5 % otorgada por cinco miembros del profesorado. ^{[ 9 ]} Este estudio se cita a menudo para demostrar el potencial de desacuerdo sobre las decisiones terapéuticas, incluso entre expertos, cuando no existe un "estándar de oro" para el tratamiento correcto.

MYCIN nunca se utilizó en la práctica. Esto no se debió a ninguna deficiencia en su rendimiento. Algunos observadores plantearon cuestiones éticas y legales relacionadas con el uso de computadoras en medicina, respecto a la responsabilidad de los médicos en caso de que el sistema diera un diagnóstico erróneo. ^{[ 10 ]} Sin embargo, el mayor problema, y ​​la razón por la que MYCIN no se utilizó en la práctica rutinaria, fue el estado de las tecnologías para la integración de sistemas, especialmente en el momento de su desarrollo. MYCIN era un sistema independiente que requería que el usuario introdujera toda la información relevante sobre un paciente escribiendo las respuestas a las preguntas que MYCIN planteaba. MYCIN se ejecutaba en el DEC KI10 PDP-10, compatible con un gran sistema de tiempo compartido disponible a través de la incipiente Internet ( ARPANet ), antes del desarrollo de las computadoras personales. ^{[ 11 ] [ 12 ]}

La mayor influencia de MYCIN radicó, por consiguiente, en su demostración del poder de su enfoque de representación y razonamiento. En los años posteriores a la introducción de este enfoque por parte de MYCIN, se desarrollaron sistemas basados ​​en reglas en numerosos ámbitos no médicos. En la década de 1980, se introdujeron "entornos" para sistemas expertos (incluido uno basado en MYCIN, conocido como E-MYCIN (seguido de Knowledge Engineering Environment - KEE )) ^{[ 13 ]} , que apoyaron el desarrollo de sistemas expertos en una amplia variedad de áreas de aplicación. Una dificultad que cobró relevancia durante el desarrollo de MYCIN y de los subsiguientes sistemas expertos complejos fue la extracción del conocimiento necesario para que el motor de inferencia lo utilizara, a partir del conocimiento del experto humano en los campos pertinentes, para incorporarlo a la base de reglas (el denominado " cuello de botella en la adquisición de conocimiento "). ^{[ 14 ]}

• CADUCEUS (sistema experto)
• Médico internista I
• Sistema de apoyo a la toma de decisiones clínicas
• XCON

• Winston, Patrick Henry, ed. (1986). El negocio de la IA: los usos comerciales de la inteligencia artificial (4.ª  ed. impresa). Cambridge, Mass.: MIT Pr. ISBN 978-0-262-23117-6.

• Paradigmas de la programación de inteligencia artificial , Capítulo 16.

• Sistemas expertos basados ​​en reglas: Los experimentos MYCIN del proyecto de programación heurística de Stanford (editado por Bruce G. Buchanan y Edward H. Shortlife; versión electrónica).
• TMYCIN , sistema basado en MYCIN
• "Sistema experto Mycin : una implementación en Ruby " (en el Archivo Web).
• "MYCIN: Un breve estudio de caso"
• "Algunos sistemas expertos necesitan sentido común" - (por John McCarthy )
• "Sistemas expertos"