CURSO:

PROGRAMACION LOGICA

PROFESOR:
ARTURO DIAZ PULIDO


ALUMNOS:

Mendez Vargas, Yoner Daniel
Morales Castillo, Jos Antonio


CICLO:
VII


TRUJILLO-PER
2014



















SISTEMA EXPERTO PARA EL
DIAGNOSTICO DE LA GRIPE AH1N1

Resumen:
El objetivo de este documento es presentar una experiencia en el desarrollo de
Sistemas Expertos en el rea de medicina, especficamente para apoyar el
diagnostico de la gripe AH1N1. Ofrece una introduccin acerca de los Sistemas
Expertos. Posteriormente describe el Sistema SISTEXAH1N1 (Sistema Experto
Probabilstico para el Diagnostico de la gripe AH1N1). El informe concluye con
algunas consideraciones acerca del Sistema Experto Probabilstico desarrollado.

I. INTRODUCCION:
Los sistemas expertos se basan en el conocimiento de un experto (base de conocimientos) y
utilizan tcnicas para resolver problemas (motor de inferencia), simulando as el razonamiento
humano. En los sistemas expertos el conocimiento es independiente del motor de inferencia, lo
cual permite modificar y complementar el conocimiento fcilmente.
La principal ventaja prctica que ofrecen los sistemas expertos es que utilizan el conocimiento
de un experto en un rea determinada para resolver problemas en localizaciones donde no se
cuenta con la presencia de un experto o donde podra resultar muy costoso contar con uno.
Una de las ciencias donde se han aplicado los sistemas expertos ha sido la medicina,
principalmente en el rea de diagnstico, puesto que las tcnicas usadas por el mdico experto
en el proceso de diagnstico coinciden con las usadas en los motores de inferencia.
Pero muchas veces no se puede tener un diagnostico totalmente exacto, por lo que es muchas
veces necesario hacer uso de probabilidades. Para esto caso es conveniente realizar entonces
Sistemas Expertos.
Para el problema planteado, entra como solucin el sistema experto probabilstico
SISTEXAH1N1 suministrando al mdico de una alternativa superior para el manejo de
datos, sistematizando de manera total la consulta y la historia clnica de un paciente, con
interfaces graficas muy fciles de manejar, que para que una vez que se hayan tomado los datos
personales del paciente sean almacenados junto con el diagnostico obtenido y estn disponibles
para posteriores consultas.
El sistema proporciona un posible diagnostico, en donde se utiliza el Teorema de Bayes para
obtener los resultados. Como respuesta el sistema arroja un porcentaje. Finalmente el
diagnostico dado por el sistema experto queda almacenada lo cual hace ms fcil y manejable la
posterior consulta de la informacin del paciente.

II. CONCEPTOS PREVIOS

2.1 Sistemas expertos para el diagnstico.

El diagnstico es el proceso mediante el cual se buscan las fallas o los desperfectos en un
sistema. Un sistema experto para el diagnstico es un sistema que infiere las fallas o el mal
funcionamiento de un sistema a partir de la interpretacin de los datos observados, los cuales
son potencialmente ruidosos, inseguros o incompletos. El dominio de Sistemas Expertos para el
diagnstico incluye sistemas para el diagnstico mdico, electrnico mecnico y de software,
entre otros.
Los sistemas basados en reglas con encadenamiento hacia atrs han resultado ser fuertes
candidatos para resolver problemas del tipo diagnstico.

2.2 Sistemas Expertos Probabilsticos

Los sistemas expertos que utilizan la probabilidad como medida de incertidumbre se conocen
como sistemas expertos probabilstico y la estrategia de razonamiento que usan se conoce como
razonamiento probabilstico, o inferencia probabilstica.

2.3 Teorema de Bayes
Una conocida frmula de la teora de la probabilidad puede obtenerse como sigue.

La ecuacin se conoce como Teorema de Bayes. Para ilustrar el uso del teorema de Bayes,
supngase que un paciente puede estar sano (no tiene enfermedad alguna) o tiene una de m1
enfermedades posibles {E1, . . . , Em1}. Por simplicidad de notacin, sea E una variable
aleatoria que puede tomar uno de m posibles valores, {e1, . . . , em}, donde E = ei significa que
el paciente tiene la enfermedad Ei, y E = em significa que el paciente no tiene ninguna
enfermedad. Supngase tambin que se tienen n sntomas {S1, . . . , Sn}. Ahora, dado que el
paciente tiene un conjunto de sntomas {s1, . . . , sk}, se desea calcular la probabilidad de que el
paciente tenga la enfermedad Ei, es decir, E = ei. Entonces, aplicando el teorema de Bayes, se
obtiene

Conviene hacer los siguientes comentarios sobre la frmula:

La probabilidad p(ei) se llama probabilidad marginal, priori, a priori o inicial de la
enfermedad E = ei puesto que puede ser obtenida antes de conocer los sntomas.
La probabilidad p(ei|s1, . . . , sk) es la probabilidad posterior, a posteriori o condicional de la
enfermedad E = ei, puesto que se calcula despus de conocer los sntomas S1 = s1, . . . , Sk = sk.
La probabilidad p(s1, . . . , sk|ei) se conoce por el nombre de verosimilitud de que un paciente
con la enfermedad E = ei tenga los sntomas S1 = s1, . . . , Sk = sk.
Por ello, se puede utilizar el teorema de Bayes para actualizar la probabilidad a posteriori
usando ambas, la probabilidad a priori y la verosimilitud.

III. DESCRIPCION DEL DOMINIO DE APLICACION DEL SISTEMA EXPERTO
PROBABILISTICO

Se requiere desarrollar un Sistema Experto Probabilstico para realizar el diagnstico de la gripe
AH1N1 para lo cual se realizan preguntas sobre que sntomas presenta el paciente, los cuales
pueden ser cuatro opciones.
Estas preguntas se encuentran en la base del conocimiento del sistema experto. Con los
resultados que se obtengan, a travs del motor de inferencia se podr saber cul la probabilidad
de que pacientes tengan o no la gripe mostrndose el resultado mediante un porcentaje.

Las ventajas que se consideran al implementar este sistema son:
Reduce el nmero de pruebas que el mdico realiza al paciente.
Aumenta la calidad de vida del paciente.
Disminuye la masificacin de pacientes en los hospitales.
Se reduce el tiempo que el especialista dedica a realizar los estudios.
Se reduce el gasto econmico en los hospitales.
Satisfacer una necesidad en el rea de la salud
El sistema debe tener las siguientes caractersticas.
Permite ingresar los datos del paciente para que luego almacenarlos en un historial.
Realiza preguntas que deben ser hechas al paciente
Obtiene un resultado el cual es la probabilidad de que el paciente tenga o no la gripe.
Brinda una descripcin, precauciones y sntomas que tiene la enfermedad.
El sistema ser capaz de determinar la probabilidad dependiendo de los sntomas que el paciente
presente o no. Se considera 4 tipos de sntomas. El SE tambin deber estimar el porcentaje para
el paciente mediante los datos almacenados en una Base de Datos y utilizando el teorema de
Bayes. Se considera los siguientes factores de anlisis:
a) Sntomas del paciente: El nmero de sntomas que se han considerado son 4:
- Fiebre
- Dolor Muscular
- Congestin Nasal
- Tos
b) Enfermedad: en donde se tiene dos valores:
- si el paciente est enfermo o
- si el paciente no est enfermo
c) tipo de respuesta: en donde se tiene tres valores:
- si presenta
- no presenta
- incertidumbre
Para estimar el porcentaje se tiene una base de datos en la cual se encuentran almacenadas las
cantidades de nmero de paciente que presentaban los sntomas.
Para nuestro sistema experto consideraremos que la cantidad de pacientes es 5562, de los cuales
4160 son enfermos (E) y que 1404 son no enfermos (-E) , que los sntomas que estos pueden
presentar son fiebre(A), Dolor muscular (B), congestin nasal(C), y tos (D) y el tipo de
respuesta que un paciente puede dar son s, no e incertidumbre.
As tenemos las cantidades de los pacientes que presentan los sntomas representado en un
grfico de conjuntos:



















Este grafico se puede representar mediante la siguiente tabla:

Regla Sntomas Cantidad
0 A B C D E no E
1 no no no no 0 210
2 no no no si 150 100
3 no no si no 100 150
4 no no si si 200 100
5 no si no no 195 166
6 no si no si 160 110
7 no si si no 195 131
8 no si si si 390 30
9 si no no no 250 120
10 si no no si 200 30
11 si no si no 250 50
12 si no si si 400 50
13 si si no no 320 90
14 si si no si 410 20
15 si si si no 420 40
16 si si si si 520 5


El tipo de respuesta que el paciente puede dar se representa mediante la siguiente tabla:

Sntoma POSIBILIDAD DE RESPUESTA
A SI NO INCERTIDUMBRE
B SI NO INCERTIDUMBRE
C SI NO INCERTIDUMBRE
D SI NO INCERTIDUMBRE
3.1 Desarrollo del Sistema Experto
El objetivo central es la facilidad de determinar la probabilidad de que el paciente presente la
enfermedad.
SISTEXAH1N1 es un sistema experto cuya base de conocimiento y motor de inferencia
ha sido implementado por exclusivamente y por completo en el programa SWI Prolog.

Se tiene que tener en cuenta que todo el trabajo de inferencias lgicas para obtener un
resultado, en este caso ms especfico, para obtener la probabilidad, es realizado
netamente bajo el concepto de programacin lgica soportada por SWI Prolog, la cual
es una herramienta de software libre. Las interfaces tambin fueron implementasen
SWI Prolog; estas ventanas se encargan de recopilar los datos del paciente y
caractersticas o sntomas que este presenta para ser procesadas por SWI Prolog.
Paso 1: Aislar el rea de desarrollo.
En la organizacin, en este caso el centro de salud u hospital la funcin de analizar y
determinar la probabilidad de que el paciente presente la enfermedad ser de gran importancia
los datos del paciente para poder obtener el resultado final.


















Paso 2: Decidir un objetivo para ser el prototipo.
Una vez que el mdico del centro de salud toma los datos del paciente podr determinar la
probabilidad
El diagrama de bloque de la figura ayuda a definir los factores crticos en la decisin de
objetivos en el rea del prototipo. Los dos factores crticos para este sistema experto, son:
Respuesta: Necesitamos saber Cul es la respuesta que dio el paciente para poder
sacra los valores de la base de datos? As podremos con este valor poder calcular la
probabilidades aplicando el teorema de Bayes

CENTRO MEDICO
DIAGNOSTICO DE
LA GRIPE AH1N1

SINTOMAS

TIPO DE
RESPUESTA
(a) Diagrama de bloque del rea de estudio
(b) Enfoque conceptual del prototipo del SISTEMA EXPERTO.

Sntomas: Necesitamos saber el nmero de pacientes que presentan los sntomas, la
cantidad estar almacenada en la base de datos. As podremos calcular tambin la
probabilidad.













Dependiendo de las respuestas, al paciente se le dar la probabilidad de que tenga la enfermedad
en porcentajes.
Paso 3: Crear un diagrama de dependencias.
Transformaremos el diagrama de bloques del paso 2 a un diagrama de dependencia, como se
muestra en la siguiente figura.
Para crear el diagrama de este paso, Se dibujo cajas con tringulos anexados de cualquier factor
crtico hallado en el paso 2. En este caso, estos factores son Sntomas y Tipo de respuesta










Donde:
A= Fiebre
B= Dolor Muscular
C= Tos
D= Congestin nasal
Paso 4: Crear las tablas de decisin.
El proceso comienza con la planeacin del nmero de renglones necesarios en la tabla. Esto
puede ser determinado por el listado de todos los factores, ahora llamados condiciones, que
llegan al tringulo bajo consideracin.
En la planeacin de la tabla de decisin surge del conjunto de reglas, en la que intervienen las
dos condiciones, cada una de ellas puede tomar un nmero diferente de valores. El nmero de
Determinacin
de la
Probabilidad
Tipo de
sntomas
Tipo de
respuesta
A
B
C
D
si
no
inc
Numero
de
respuestas
Numero
de
sntomas
Porcentaje
Si
No
Incertidumbre
Fiebre
Dolor Muscular
Tos
Congestin nasal

Determinacin de la probabilidad
Respuesta Sntomas
Nmero de tipos
de respuesta
Cantidad de pacientes
con esos sntomas
sntomas, la primera condicin slo puede tomar cuatro valores, estos son fiebre, dolor
muscular, congestin nasal, tos.
La informacin proviene del diagrama de dependencia y puede ser llevado a la tabla de decisin
fcilmente.
Cuando los valores y condiciones estn totalmente listados, puede determinarse el nmero de
renglones de la tabla de decisin. En este caso hay 81 renglones: tres posibilidades para el
nmero de respuestas, por cuatro posibilidades para el nmero de sntomas. Este nmero
representa todas las posibles combinaciones de las condiciones que pueden ocurrir hasta este
punto en el sistema experto probabilstico.

Condiciones: N de valores
Tipo de Respuesta (si, no, incertidumbre) = 3
Numero de Sntomas (fiebre, dolor muscular,
congestin nasal, tos)
= 4

Renglones = 3
4
= 81

Luego para obtener el total de reglas se tendra que calcular las combinaciones del nmero de
respuestas que es 3 por el nmero de sntomas que es 4, as se tendra que:
3
4
=81
Los 81 renglones son organizados como se ver en la tabla completa de decisin.
Tabla de Decisin Completa:
Regla Sntomas enfermo
A B C D E no E
1 si si si si 520 5
2 si si si no 420 40
3 si si si in 940 45
4 si si no si 410 20
5 si si no no 320 90
6 si si no in 730 110
7 si si inc si 930 25
8 si si inc no 740 130
9 si si inc in 1670 155
10 si no si si 400 50
11 si no si no 250 50
12 si no si in 650 100
13 si no no si 200 30
14 si no no no 250 120
15 si no no in 450 150
16 si no inc si 600 80
17 si no inc no 500 170
18 si no inc in 1100 250
19 si inc si si 920 55
20 si inc si no 670 90
21 si inc si in 1590 145
22 si inc no si 610 50
23 si inc no no 570 210
24 si inc no in 1180 260
25 si inc inc si 1530 105
26 si inc inc no 1240 300
27 si inc inc in 2770 405
28 no si si si 390 30
29 no si si no 195 131
30 no si si in 585 161
31 no si no si 160 110
32 no si no no 195 166
33 no si no in 355 276
34 no si inc si 550 140
35 no si inc no 390 297
36 no si inc in 940 437
37 no no si si 200 100
38 no no si no 100 150
39 no no si in 300 250
40 no no no si 150 100
41 no no no no 0 210
42 no no no in 150 310
43 no no inc si 350 200
44 no no inc no 100 360
45 no no inc in 450 560
46 no inc si si 590 130
47 no inc si no 295 281
48 no inc si in 885 411
49 no inc no si 310 210
50 no inc no no 195 376
51 no inc no in 505 586
52 no inc inc si 900 340
53 no inc inc no 490 657
54 no inc inc in 1390 997
55 inc si si si 910 35
56 inc si si no 615 171
57 inc si si in 1525 206
58 inc si no si 570 130
59 inc si no no 515 256
60 inc si no in 1085 386
61 inc si inc si 1480 165
62 inc si inc no 1130 427
63 inc si inc in 2610 592
64 inc no si si 600 130
65 inc no si no 350 200
66 inc no si in 950 350
67 inc no no si 350 130
68 inc no no no 250 330
69 inc no no in 600 460
70 inc no inc si 950 280
71 inc no inc no 600 530
72 inc no inc in 1550 810
73 inc inc si si 1510 185
74 inc inc si no 965 371
75 inc inc si in 2475 556
76 inc inc no si 920 260
77 inc inc no no 465 586
78 inc inc no in 1385 846
79 inc inc inc si 2430 445
80 inc inc inc no 1730 957
81 inc inc inc in 4160 1402
Estos datos se encuentran almacenados en la Base de Datos, siguiendo ese orden se insertaron
las filas.
Paso 5: Escribir las reglas IF-THEN.
Son las reglas para la base de conocimiento, cada regla de la tabla de decisin se convierte en
una regla SI-ENTONCES.
La estructura y sintaxis de una regla est empieza con la palabra IF seguida por las condiciones.
Una serie de condiciones pueden ser enlazadas con operadores lgicos AND significa que las
condiciones a ambos lados del operador deben ser verdaderas para que la regla se dispare.
RULE 1: IF fiebre = si AND
Dolor muscular =si AND
Congestion nasal = si AND
Tos=si
THEN Calcular probabilidad Bayes(fila 1);

Esta regla dice, Si durante la consulta, el valor de la variable fiebre es si, Y el valor de la
variable Dolor muscular es si, Y el valor de la variable Congestin nasal es si y el valor
de la variable Tos es si ENTONCES se determina la probabilidad, para esto de la base de
datos se extrae los valores de la fila indicada para realizar los clculos del teorema de Bayes.
Por ejemplo para esto caso la fila sera 1, extrayendo los valores tenemos que son 520 y 5
entonces realizamos los clculos correspondientes.

Conversin de la Tabla de decisin a conjunto final de reglas:

RULE 1:
IF
fiebre = si AND
Dolor muscular =si AND
Congestion nasal = si AND
Tos=si
THEN
Calcular probabilidad Bayes(fila1)


RULE 28:
IF
fiebre = no AND
Dolor muscular =si AND
Congestion nasal = si AND
Tos=si
THEN
Calcular probabilidad Bayes(fila28)

RULE 55:
IF
fiebre = incertibumbre AND
Dolor muscular =si AND
Congestion nasal = si AND
Tos=si
THEN
Calcular probabilidad Bayes(fila55)

RULE 2:
IF
fiebre = si AND
Dolor muscular =si AND
Congestion nasal = si AND
Tos=no
THEN
Calcular probabilidad Bayes(fila2)


RULE 29:
IF
fiebre = no AND
Dolor muscular =si AND
Congestion nasal = si AND
Tos=no
THEN
Calcular probabilidad Bayes(fila29)

RULE 56:
IF
fiebre = incertibumbre AND
Dolor muscular =si AND
Congestion nasal = si AND
Tos=no
THEN
Calcular probabilidad Bayes(fila56)
RULE 3:
IF
fiebre = si AND
Dolor muscular =si AND
Congestion nasal = si AND
Tos=incertibumbre
THEN
Calcular probabilidad Bayes(fila3)

RULE 30:
IF
fiebre = no AND
Dolor muscular =si AND
Congestion nasal = si AND
Tos=incertibumbre
THEN
Calcular probabilidad Bayes(fila30)
RULE 57:
IF
fiebre = incertibumbre AND
Dolor muscular =si AND
Congestion nasal = si AND
Tos=incertibumbre
THEN
Calcular probabilidad Bayes(fila57)
RULE 4:
IF
fiebre = si AND
Dolor muscular =si AND
Congestion nasal = no AND
Tos=si
THEN
Calcular probabilidad Bayes(fila4)

RULE 31:
IF
fiebre = no AND
Dolor muscular =si AND
Congestion nasal = no AND
Tos=si
THEN
Calcular probabilidad Bayes(fila31)
RULE 58:
IF
fiebre = incertibumbre AND
Dolor muscular =si AND
Congestion nasal = no AND
Tos=si
THEN
Calcular probabilidad Bayes(fila58)
RULE 5:
IF
fiebre = si AND
Dolor muscular =si AND
Congestion nasal = no AND
Tos=no
THEN
Calcular probabilidad Bayes(fila5)

RULE 32:
IF
fiebre = no AND
Dolor muscular =si AND
Congestion nasal = no AND
Tos=no
THEN
Calcular probabilidad Bayes(fila32)
RULE 59:
IF
fiebre = incertibumbre AND
Dolor muscular =si AND
Congestion nasal = no AND
Tos=no
THEN
Calcular probabilidad Bayes(fila59)
RULE 6:
IF
fiebre = si AND
Dolor muscular =si AND
Congestion nasal = no AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila6)

RULE 33:
IF
fiebre = no AND
Dolor muscular =si AND
Congestion nasal = no AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila33)
RULE 60:
IF
fiebre = incertibumbre AND
Dolor muscular =si AND
Congestion nasal = no AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila60)
RULE 7:
IF
fiebre = si AND
Dolor muscular =si AND
Congestion nasal=incertibumbre
AND
Tos=si
THEN
Calcular probabilidad Bayes(fila7)

RULE 34:
IF
fiebre = no AND
Dolor muscular =si AND
Congestion nasal=incertibumbre
AND
Tos=si
THEN
Calcular probabilidad Bayes(fila34)
RULE 61:
IF
fiebre = incertibumbre AND
Dolor muscular =si AND
Congestion nasal=incertibumbre
AND
Tos=si
THEN
Calcular probabilidad Bayes(fila61)
RULE 8:
IF
fiebre = si AND
Dolor muscular =si AND
Congestion nasal = incertibumbre
AND
Tos=no
THEN
Calcular probabilidad Bayes(fila8)

RULE 35:
IF
fiebre = no AND
Dolor muscular =si AND
Congestion nasal = incertibumbre
AND
Tos=no
THEN
Calcular probabilidad Bayes(fila35)
RULE 62:
IF
fiebre = incertibumbre AND
Dolor muscular =si AND
Congestion nasal = incertibumbre
AND
Tos=no
THEN
Calcular probabilidad Bayes(fila62)
RULE 9:
IF fiebre = si AND
Dolor muscular =si AND
Congestion nasal = incertibumbre
AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila9)

RULE 36:
IF fiebre = no AND
Dolor muscular =si AND
Congestion nasal = incertibumbre
AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila36)
RULE 63:
IF fiebre = incertibumbre AND
Dolor muscular =si AND
Congestion nasal = incertibumbre
AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila63)

RULE 10:
IF fiebre = si AND
Dolor muscular =no AND
Congestion nasal = si AND
Tos=si
THEN
Calcular probabilidad Bayes(fila10)


RULE 37:
IF fiebre = no AND
Dolor muscular =no AND
Congestion nasal = si AND
Tos=si
THEN
Calcular probabilidad Bayes(fila37)

RULE 64:
IF fiebre = incertibumbre AND
Dolor muscular =no AND
Congestion nasal = si AND
Tos=si
THEN
Calcular probabilidad Bayes(fila64)

RULE 11:
IF
fiebre = si AND
Dolor muscular =no AND
Congestion nasal = si AND
Tos=no
THEN
Calcular probabilidad Bayes(fila11)

RULE 38:
IF
fiebre = no AND
Dolor muscular =no AND
Congestion nasal = si AND
Tos=no
THEN
Calcular probabilidad Bayes(fila38)
RULE 65:
IF
fiebre = incertibumbre AND
Dolor muscular =no AND
Congestion nasal = si AND
Tos=no
THEN
Calcular probabilidad Bayes(fila65)

RULE 12:
IF
fiebre = si AND
Dolor muscular =no AND
Congestion nasal = si AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila12)


RULE 39:
IF
fiebre = no AND
Dolor muscular =no AND
Congestion nasal = si AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila39)

RULE 66:
IF
fiebre = incertibumbre AND
Dolor muscular =no AND
Congestion nasal = si AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila66)

RULE 13:
IF
fiebre = si AND
Dolor muscular =no AND
Congestion nasal = no AND
Tos=si
THEN
Calcular probabilidad Bayes(fila13)



RULE 40:
IF
fiebre = no AND
Dolor muscular =no AND
Congestion nasal = no AND
Tos=si
THEN
Calcular probabilidad Bayes(fila40)

RULE 67:
IF
fiebre = incertibumbre AND
Dolor muscular =no AND
Congestion nasal = no AND
Tos=si
THEN
Calcular probabilidad Bayes(fila67)
RULE 14:
IF
fiebre = si AND
Dolor muscular =no AND
Congestion nasal = no AND
Tos=no
THEN
Calcular probabilidad Bayes(fila14)

RULE 41:
IF
fiebre = no AND
Dolor muscular =no AND
Congestion nasal = no AND
Tos=no
THEN
Calcular probabilidad Bayes(fila41)
RULE 68:
IF
fiebre = incertibumbre AND
Dolor muscular =no AND
Congestion nasal = no AND
Tos=no
THEN
Calcular probabilidad Bayes(fila68)

RULE 15:
IF
fiebre = si AND
Dolor muscular =no AND
Congestion nasal = no AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila15)


RULE 42:
IF
fiebre = no AND
Dolor muscular =no AND
Congestion nasal = no AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila42)

RULE 69:
IF
fiebre = incertibumbre AND
Dolor muscular =no AND
Congestion nasal = no AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila69)

RULE 16:
IF
fiebre = si AND
Dolor muscular =no AND
Congestion nasal = incertibumbre
AND
Tos=si
THEN
Calcular probabilidad Bayes(fila16)


RULE 43:
IF
fiebre = no AND
Dolor muscular =no AND
Congestion nasal = incertibumbre
AND
Tos=si
THEN
Calcular probabilidad Bayes(fila43)

RULE 70:
IF
fiebre = incertibumbre AND
Dolor muscular =no AND
Congestion nasal = incertibumbre
AND
Tos=si
THEN
Calcular probabilidad Bayes(fila70)

RULE 17:
IF
fiebre = si AND
Dolor muscular =no AND
Congestion nasal = incertibumbre
AND

RULE 44:
IF
fiebre = no AND
Dolor muscular =no AND
Congestion nasal = incertibumbre
AND

RULE 71:
IF
fiebre = incertibumbre AND
Dolor muscular =no AND
Congestion nasal = incertibumbre
AND
Tos=no
THEN
Calcular probabilidad Bayes(fila17)

Tos=no
THEN
Calcular probabilidad Bayes(fila44)
Tos=no
THEN
Calcular probabilidad Bayes(fila71)

RULE 18:
IF
fiebre = si AND
Dolor muscular =no AND
Congestion nasal = incertibumbre
AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila18)


RULE 45:
IF
fiebre = no AND
Dolor muscular =no AND
Congestion nasal = incertibumbre
AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila45)

RULE 72:
IF
fiebre = incertibumbre AND
Dolor muscular =no AND
Congestion nasal = incertibumbre
AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila72)

RULE 19:
IF
fiebre = si AND
Dolor muscular = incertibumbre
AND
Congestion nasal = si AND
Tos=si
THEN
Calcular probabilidad Bayes(fila19)


RULE 46:
IF
fiebre = no AND
Dolor muscular = incertibumbre
AND
Congestion nasal = si AND
Tos=si
THEN
Calcular probabilidad Bayes(fila46)

RULE 73:
IF
fiebre = incertibumbre AND
Dolor muscular = incertibumbre
AND
Congestion nasal = si AND
Tos=si
THEN
Calcular probabilidad Bayes(fila73)

RULE 20:
IF
fiebre = si AND
Dolor muscular = incertibumbre
AND
Congestion nasal = si AND
Tos=no
THEN
Calcular probabilidad Bayes(fila20)


RULE 47:
IF
fiebre = no AND
Dolor muscular = incertibumbre
AND
Congestion nasal = si AND
Tos=no
THEN
Calcular probabilidad Bayes(fila47)

RULE 74:
IF
fiebre = incertibumbre AND
Dolor muscular = incertibumbre
AND
Congestion nasal = si AND
Tos=no
THEN
Calcular probabilidad Bayes(fila74)

RULE 21:
IF
fiebre = si AND
Dolor muscular = incertibumbre
AND
Congestion nasal = si AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila21)


RULE 48:
IF
fiebre = no AND
Dolor muscular = incertibumbre
AND
Congestion nasal = si AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila48)

RULE 75:
IF
fiebre = incertibumbre AND
Dolor muscular = incertibumbre
AND
Congestion nasal = si AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila75)
RULE 22:
IF
fiebre = si AND
Dolor muscular = incertibumbre
AND
Congestion nasal = no AND
Tos=si
THEN
Calcular probabilidad Bayes(fila22)
RULE 49:
IF
fiebre = no AND
Dolor muscular = incertibumbre
AND
Congestion nasal = no AND
Tos=si
THEN
Calcular probabilidad Bayes(fila49)
RULE 76:
IF
fiebre = incertibumbre AND
Dolor muscular = incertibumbre
AND
Congestion nasal = no AND
Tos=si
THEN
Calcular probabilidad Bayes(fila76)

RULE 23:
IF
fiebre = si AND
Dolor muscular = incertibumbre
AND
Congestion nasal = no AND
Tos=no
THEN
Calcular probabilidad Bayes(fila23)

RULE 50:
IF
fiebre = no AND
Dolor muscular = incertibumbre
AND
Congestion nasal = no AND
Tos=no
THEN
Calcular probabilidad Bayes(fila50)

RULE 77:
IF
fiebre = incertibumbre AND
Dolor muscular = incertibumbre
AND
Congestion nasal = no AND
Tos=no
THEN
Calcular probabilidad Bayes(fila77)


RULE 24:
IF
fiebre = si AND
Dolor muscular = incertibumbre
AND
Congestion nasal = no AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila24)


RULE 51:
IF
fiebre = no AND
Dolor muscular = incertibumbre
AND
Congestion nasal = no AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila51)

RULE 78:
IF
fiebre = incertibumbre AND
Dolor muscular = incertibumbre
AND
Congestion nasal = no AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila78)

RULE 25:
IF
fiebre = si AND
Dolor muscular = incertibumbre
AND
Congestion nasal = incertibumbre
AND
Tos=si
THEN
Calcular probabilidad Bayes(fila25)


RULE 52:
IF
fiebre = no AND
Dolor muscular = incertibumbre
AND
Congestion nasal = incertibumbre
AND
Tos=si
THEN
Calcular probabilidad Bayes(fila52)

RULE 79:
IF
fiebre = incertibumbre AND
Dolor muscular = incertibumbre
AND
Congestion nasal = incertibumbre
AND
Tos=si
THEN
Calcular probabilidad Bayes(fila79)

RULE 26:
IF
fiebre = si AND
Dolor muscular = incertibumbre
AND
Congestion nasal = incertibumbre
AND
Tos=no
THEN
Calcular probabilidad Bayes(fila26)


RULE 53:
IF
fiebre = no AND
Dolor muscular = incertibumbre
AND
Congestion nasal = incertibumbre
AND
Tos=no
THEN
Calcular probabilidad Bayes(fila53)

RULE 80:
IF
fiebre = incertibumbre AND
Dolor muscular = incertibumbre
AND
Congestion nasal = incertibumbre
AND
Tos=no
THEN
Calcular probabilidad Bayes(fila80)

RULE 27:
IF
fiebre = si AND
Dolor muscular = incertibumbre
AND
Congestion nasal = incertibumbre
AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila27)


RULE 54:
IF
fiebre = no AND
Dolor muscular = incertibumbre
AND
Congestion nasal = incertibumbre
AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila54)


RULE 81:
IF
fiebre = incertibumbre AND
Dolor muscular = incertibumbre
AND
Congestion nasal = incertibumbre
AND
Tos= incertibumbre
THEN
Calcular probabilidad Bayes(fila81)

Paso 6: Construir interfaz de usuario.

Una vez escritas las reglas IF-THEN, los elementos de la interfaz de usuario de la base de
conocimiento deben ser construidos, como se ver posteriormente, donde el usuario interactuar
para la consulta al Sistema Experto Probabilstico.

Al ejecutar nuestro sistema experto nos aparecer la pantalla principal.


En la pantalla principal se muestra el men que contiene las diferentes funciones de nuestro
sistema experto probabilstico. Los tres opciones principales son: File, Ayuda y Gripe Porcina.

Cada opcin cuenta a su vez con subopciones, estas se muestran a continuacin:

File:



Al entrar a la opcin Registrar Paciente, aparecer la pantalla que se muestra
continuacin, en la que se podr registrar al paciente almacenando sus datos necesarios
para realizar la consulta.


Despus de realizar el registro, al presionar Enter aparecer la pantalla con las
preguntas que el mdico realizara al paciente para determinar la probabilidad.



Luego de plantearse las preguntas de tal modo que se obtenga la informacin deseada,
al presionar Aceptar aparecer la pantalla con el diagnostico indicando la
probabilidad expresada en porcentaje de que el paciente tenga la enfermedad






















Ayuda:


Al entrar en la subopcin Buscar ayuda nos aparecer la siguiente pantalla en la que
se muestra algunas indicaciones sobre el sistema experto.













Al entrar en la subopcin de Brote de la Enfermedad se presenta una pantalla
mostrando el proceso de infeccin de la gripe AH1N1.










Al entrar en la subopcin de Sntomas se presenta una pantalla mostrando sntomas
que se presentan por la gripe AH1N1.















Al entrar en la subopcin de Precauciones se presenta una pantalla mostrando las
precauciones que se deben tener para prevenir la gripe AH1N1.










Al entrar en la subopcin de Escala de la OMS se presenta una pantalla mostrando las
diferentes escalas que la organizacin mundial de salud presenta sobre la gripe AH1N1.















IV. Resultados y conclusiones:

Despus de haber completado las 4 preguntas, SISTEXAH1N1 est listo para
mostrar la probabilidad segn la informacin ingresada al sistema que se
obtuvo mediante un proceso de inferencias.
Puede concluir en que estadio o etapa de cncer se encuentra el paciente y
presentar la descripcin del tratamiento que debe de seguir el paciente, as
como tambin puede ocurrir que la informacin ingresada es insuficiente o que
los sntomas no hacen referencia a ningn tipo especificado en la base de
conocimientos.
Para evaluar si los resultados eran correctos, se realizaron bastantes pruebas,
con lo que se logro adecuados resultados, respuestas o conclusiones confiables
con respecto a nuestros clculos realizados.
Como conclusiones se puede decir que el sistema SISTEXAH1N1 es un ejemplo
de la aplicacin de sistemas expertos probabilsticos en medicina.
El proceso ms complejo en el desarrollo del sistema experto probabilstico es
la formalizacin del conocimiento.
Los sistemas expertos tienen gran ventaja frente a otros tipos de programas de
Inteligencia Artificial, de proporcionar gran flexibilidad a la hora de incorporar
nuevos conocimientos, ya que solo se incorpora nuevas reglas.
Son muchas las ampliaciones que se pueden incluir en nuestro proyecto,
aumentando la base del conocimiento.
Referencias Bibliograficas:

Jose Angel Olivas Varela Apuntes de la asignatura de Sistemas Expertos,ICAI,
2004.
Miguel Angel Sanz Bobi Apuntes de la asignatura Ingeniera del Conocimiento,
ICAI, 2003.
Universidad Complutense de Madrid Apuntes de Ingeniera del Conocimiento,
UC3M, 2005.
Cottone, Andrea. Estudio de una Herramienta de Obtencin de Algoritmos Genticos,
2004.
E.Rich, Knight. Inteligencia Artificial, Gustavo-Gili, eds., 1995
http://www.cmim.org/educacion-pacientes/Trabajos/Influenza.pdf
http://www.monografias.com/trabajos-pdf2/que-es-influenza/que-es-influenza.shtml