ιάγνωση επιληψίας µε αβεβαιότητα Εµµανουήλ Καλυβιανάκης, Εµµανουήλ Μαρακάκης, Κώστας Βασιλάκης Τοµέας Επιστήµης Υπολογιστών, Γενικό Τµήµα Θετικών Επιστηµών, ΤΕΙ Κρήτης, Ηράκλειο. e-mail: mkaliv@venus.cs.teicrete.gr Περίληψη Στην ιατρική, συχνά χρησιµοποιούνται τεχνολογίες πληροφοριών και επικοινωνιών για να βοηθήσουν τους γιατρούς στις διαδικασίες διάγνωσης, ιδιαίτερα σε προβλήµατα διαφορικών διαγνώσεων σε ασθένειες. Μέθοδοι επίλυσης µε Τεχνητή Νοηµοσύνη µας δίνουν την δυνατότητα τυποποίησης της ιατρικής γνώσης και των τρόπων απεικόνισης των διαδικασιών διάγνωσης, σε συγκεκριµένους τοµείς της ιατρικής. Αυτή η εργασία µελετά την ανάπτυξη ενός έµπειρου συστήµατος διαφορικής διάγνωσης παιδικής επιληψίας. Το σύστηµά διαχειρίζεται την αβεβαιότητα και ενσωµατώνει γνώση από τις διάφορες επίσηµες διεθνείς ταξινοµήσεις της επιληψίας, των επιληπτικών συνδρόµων και των κρίσεων. Το συγκεκριµένο έµπειρο σύστηµα προορίζεται να χρησιµοποιηθεί ως συµβουλευτικό εργαλείο από νευρολόγους. Ο ειδικός έχει την δυνατότητα να ενηµερώνει τη βάση γνώσεων του συστήµατος µέσω γραφικού περιβάλλοντος, φιλικού προς το χρήστη. Εφαρµόζονται τεχνικές αναπαράστασης και συλλογισµού µε αβεβαιότητα. Τέλος, χρησιµοποιούνται µετακανόνες, οι οποίοι καθοδηγούν το µηχανισµό συλλογισµών του συστήµατος. Το σύστηµά µας έχει αξιολογηθεί εξετάζοντας πραγµατικά στοιχεία ασθενών και τα αποτελέσµατά του έχουν συγκριθεί µε τις διαγνώσεις που προτείνονται από πεπειραµένους ειδικούς επιστήµονες. Τα αρχικά αποτελέσµατα αξιολόγησης του συστήµατος είναι πολύ ελπιδοφόρα, δηλαδή είχαµε επιτυχή διάγνωση στο 83,3% των περιπτώσεων που εξετάστηκαν. Λέξεις Κλειδιά έµπειρα συστήµατα (expert systems), µετα-κανόνες (meta-rules), αβεβαιότητα (uncertainty), επιληψία (epilepsy) 1. Εισαγωγή Η επιληψία είναι µια χρόνια πάθηση που χαρακτηρίζεται από επαναλαµβανόµενες κρίσεις που προκαλούν ξαφνικές αλλά αναστρεπτές αλλαγές στη λειτουργία του εγκεφάλου. Η ταξινόµηση των επιληψιών, σύµφωνα µε διεθνείς ταξινοµήσεις, κατά τη διάρκεια της παιδικής ηλικίας, είναι δύσκολη επειδή τα µεµονωµένα εργαστηριακά συµπεράσµατα και τα συµπτώµατα είναι συχνά µη αποτελεσµατικά. Η διάγνωση των επιληψιών από το σύστηµά µας ακολουθεί την ταξινόµηση των επιληπτικών συνδρόµων και των επιληψιών της διεθνούς ένωσης ενάντια στην επιληψία (ILAE - International League Against Epilepsy) [1], [2]. Αυτό το σύστηµα προορίζεται να χρησιµοποιηθεί από νευρολόγους µε ειδίκευση στην επιληψία. Οι µηχανισµοί συλλογισµού του συστήµατος µιµούνται τη διαδικασία συλλογισµών κορυφαίων νευρολόγων. Το σύστηµα χρησιµοποιεί µεθόδους αναπαράστασης γνώσεων και συλλογισµών µε αβεβαιότητα. 1
Αντίστοιχοι συλλογισµοί γίνονται απο τους ειδικούς. Η µηχανή συµπερασµάτων του συστήµατος µας καθοδηγείται απο µετα-κανόνες. Η διεπικοινωνία χρήστη - συστήµατος γίνεται σε παραθυρική µορφή, φιλική προς το χρήστη. Τέλος το περιβάλλον εργασίας του συστήµατος είναι ανάλογο προς το πραγµατικό κλινικό περιβάλλον του νευρολόγου. Ένα σύστηµα στήριξης αποφάσεων για ταξινόµηση επιληψιών στην παιδική ηλικία παρουσιάζεται στο [3]. Αυτό το σύστηµα χρησιµοποιεί κανόνες για την δόµηση της βάσης γνώσεων. Περαιτέρω το σύστηµα διαιρεί τη βάση γνώσεων δηµιουργώντας διαγνωστικές κατηγορίες (clusters) ανάλογα µε την είσοδο των δεδοµένων από τον χρήστη. Όταν καταλήξει σε κάποια διαγνωστική οµάδα τότε εξετάζονται οι κανόνες που αφορούν τις συγκεκριµένες διαγνώσεις της οµάδας για να επιλεγούν οι επικρατέστερες. Ουσιαστικά δηµιουργείται ένα δένδρο αποφάσεων τα άκρα του οποίου αντιστοιχούν σε πιθανές διαγνωστικές κατηγορίες. Στόχος του συγκεκριµένου συστήµατος είναι να καταλήξει σε µία τελική διάγνωση. Τα αποτελέσµατα του είναι αρκετά ικανοποιητικά, 85-93% σωστές διαγνώσεις. Ένα άλλο διαγνωστικό σύστηµα επιληψιών, µε ονοµασία "Epilepsy Expert", παρουσιάζεται στο [4]. Αυτό το σύστηµα σχεδιάστηκε για διάγνωση επιληψίας σε παιδιά αλλά και σε ενήλικες. Συνδυάζει τεχνικές δέντρων αποφάσεων, if-then κανόνων και υπερκείµενου και αποτελείται από τέσσερα ανεξάρτητα διαγνωστικά υποσυστήµατα. Κάθε υποσύστηµα χρησιµοποιεί διαφορετική µεθοδολογία για τη διάγνωση. Ο χρήστης κατά την κρίση του µπορεί να επιλέξει ένα από τα τέσσερα υποσυστήµατα του Epilepsy Expert για να εξερευνήσει την περίπτωση του ασθενούς που είχε υπόψη του. Το συγκεκριµένο διαγνωστικό εργαλείο κατέληγε σε εναλλακτικές προτεινόµενες διαγνώσεις και επειδή περιελάµβανε κυρίως πληροφορίες σε µορφή κειµένου, έπαιζε περισσότερο τον ρόλο ενός συµβουλευτικού παρά ενός διαγνωστικού συστήµατος. Καλύτερα αποτελέσµατα παρουσίασε το υποσύστηµα εκείνο που χρησιµοποιούσε την τεχνολογία του υπερκείµενου µε 80% επιτυχία. Όµως κανένα από τα παραπάνω συστήµατα δεν κάνει χρήση αβεβαιότητας. Το έµπειρο σύστηµα που κατασκευάσαµε υποστηρίζει τις παρακάτω λειτουργίες: Αρχικά, ο παθολόγος εισάγει τα κλινικά και εργαστηριακά στοιχεία του ασθενούς. Τα αποτελέσµατα του συστήµατος δίνονται στον χρήστη σε µία λίστα πιθανών τύπων επιληψίας (διαφορική διάγνωση). εύτερον, ο γιατρός εµπειρογνώµονας καθώς και γιατρός χρήστης του συστήµατος µπορούν, µε βάση νέα στοιχεία τα οποία διαθέτουν να ενηµερώσουν την βάση γνώσεων. Τέλος, για κάθε τύπο επιληψίας ο χρήστης του συστήµατος µπορεί να δει σε γραφική µορφή τους κανόνες της βάσης γνώσεων. Αυτό το χαρακτηριστικό του συστήµατος βοηθά το χρήστη στη κατανόηση της διαδικασίας συλλογισµών του ώστε να µπορεί να ενηµερώνει τη βάση γνώσεων. 2. Μεθοδολογία 2.1 Αναπαράσταση γνώσεων Στο έµπειρο σύστηµα που κατασκευάσαµε, κάθε τύπος επιληψίας αντιστοιχεί σε έναν κανόνα της βάσης γνώσεων. Η ταξινόµηση της ILAE προτείνει περισσότερους από 50 τύπους επιληψίας [1]. Κάθε τύπος επιληψίας, στο σύστηµά µας, εκφράζεται από ένα κατάλογο 28 διαγνωστικών κριτηρίων [3], [5]. Τα κριτήρια αυτά αφορούν κλινικά στοιχεία, δηµογραφικά 2
δεδοµένα και αποτελέσµατα εργαστηριακών εξετάσεων µε έµφαση στον τύπο της επιληπτικής κρίσης και στο τύπο του ηλεκτροεγκεφαλογραφήµατος. Η γενική µορφή ενός if-then κανόνα του συστήµατος µας είναι η εξής: If (Seizure_type є ST_set) ^ (Seizure_focus є SF_set) ^ (Seizure_severity є SS_set) ^ (EEG є EEG_set) ^ (Age є Age_set) ^ (Pregnancy_status є PS_set) ^ (Delivery_status є DS_set) ^ (Family_inheritance є FI_set) ^ (School_performance є SP_set) ^ (Lab_findings є LF_set) ^ (Behavior є Be_set) ^ (Neurological_estimation є NE_set) ^ (Phychomotor_development є PD_set) ^ (Lab_focal є LFoc_set) ^ (Vocalization є yes_no_set) ^ (Seizures_Per_Day є SPD_data_set) ^ (Seizure_During_Sleep є yes_no_set) ^ (Seizure_After_Sleep є yes_no_set) ^ (Seizure_Fever є yes_no_set) ^ (Metavolic_Symptoms є yes_no_set) ^ (Toxic_Poisoning є yes_no_set) ^ (Head_Injury є yes_no_set) ^ (Neurous_System_Disease є yes_no_set) ^ (NOT_Neurous_System_Disease є yes_no_set) ^ (Acquired_Aphasia є yes_no_set) ^ (Primary_Visual_Ictal_Seizure є yes_no_set) ^ (Speech_Problems є yes_no_set) ^ (Behavior_Problems_During_Seizure є yes_no_set) then Epilepsy_type = ET όπου, το σύµβολο ^ δηλώνει τον τελεστή and (και). Τα στοιχεία όλων των συνόλων ST_set, SF_set,, LF_set είναι ζεύγη δύο τιµών της µορφής (Τιµή_συνόλου, Βάρος). Τα στοιχεία των συνόλων yes_no_set είναι ζεύγη της µορφής (yes, Βάρος) ή (no, Βάρος). Το στοιχείο SPD_data_set έχει την µορφή ((Τιµή_ελάχιστη, Τιµή_µέγιστη), Βάρος). Το ΕT περιλαµβάνει τον τύπο επιληψίας και τον παράγοντα βεβαιότητας που ικανοποιείται από τα δεδοµένα που δίνονται (Τύπος_επιληψίας, Παράγοντας_βεβαιότητας). Οι κανόνες του συστήµατός µας έχουν κατασκευαστεί σε γλώσσα προγραµµατισµού SICStus Prolog [6]. Κάθε κανόνας του συστήµατος παριστάνεται απο ένα Prolog γεγονός και από ένα Prolog κανόνα. Αυτή η εφαρµογή επιτρέπει τη δυναµική ενηµέρωση της βάσης γνώσεων του συστήµατος µε την υλοποίηση τεχνικών µετα-προγραµµατισµού σε Prolog. 3
2.2 Θεωρία αβεβαιότητας και παράγοντες βεβαιότητας Σε πολλές περιπτώσεις όταν κατασκευάζεται κάποιο έµπειρο σύστηµα υπάρχει η ανάγκη να λαµβάνονται αποφάσεις έχοντας ατελείς πληροφορίες, είτε επειδή αυτές δεν είναι διαθέσιµες ή επειδή απλά δεν χρειάζονται. Αβεβαιότητα είναι η έλλειψη ακριβούς πληροφορίας και οι κυριότερες πήγες αβεβαιότητας που παρουσιάζονται κατά την επίλυση προβληµάτων είναι τα ανακριβή δεδοµένα, τα ελλιπή δεδοµένα, οι ελλείψεις στην περιγραφή της γνώσης και γενικά κάθε είδους περιορισµοί που κάνουν το όλο σύστηµα ατελές. Η ύπαρξη της αβέβαιης γνώσης απαιτεί την ανάπτυξη ιδιαίτερων µηχανισµών συλλογισµού που θα χειριστούν αυτήν την γνώση. ιάφορες τεχνικές έχουν προταθεί για να χειριστούν την αβέβαιη γνώση τέτοιες είναι οι συντελεστές βεβαιότητας (certainty factors), η ασαφής λογική (fuzzy logic) και άλλες. Οι συντελεστές βεβαιότητας ή παράγοντες βεβαιότητας είναι αριθµητικές τιµές που εκφράζουν τη βεβαιότητα για την αλήθεια µιας πρότασης ή γεγονότος. Οι συντελεστές βεβαιότητας, για το έµπειρο σύστηµα που κατασκευάσαµε, παίρνουν τιµές στο διάστηµα [0,1]. Η τιµή 0 εκφράζει µη βεβαιότητα (ή µη αλήθεια) για την πρόταση. Αντίθετα, η τιµή 1 εκφράζει την απόλυτη βεβαιότητα ότι η πρόταση είναι αληθής. Οι παράγοντες βεβαιότητας εµφανίζονται µόνο στα συµπεράσµατα των κανόνων. Σε κάθε ένα από τα 28 διαγνωστικά κριτήρια κάθε κανόνα προκαθορίζεται ένα βάρος το οποίο υπολογίζεται µε την βοήθεια ειδικών παιδονευρολόγων. Τα βάρη είναι τιµές στο διάστηµα [0, 1]. Το βάρος καθενός από τα 28 διαγνωστικά κριτήρια συµβάλλει αθροιστικά στον παράγοντα βεβαιότητας του κανόνα. Η γενική µορφή ενός κανόνα µε παράγοντες βεβαιότητας είναι η εξής: (Seizure_type = Value_ST) Βάρος1 ^ (Seizure_focus = Value_SF) Βάρος2 ^ (Seizure_severity = Value_SS) Βάρος3 ^ : : (Speech_Problems = Value_SP) Βάρος27 ^ (Behavior_Problems_During_Seizure = Value_BPDS) Βάρος28 Epilepsy_type = Value_ET ΠΒ Ο παράγοντας βεβαιότητας του κανόνα για µία διάγνωση θα είναι ο εξής: ΠΒ = Βάρος 1 + Βάρος 2 + + Βάρος 27 + Βάρος 28 Θα πρέπει πάντα να ισχύει η σχέση Βάρος 1 + Βάρος 2 + + Βάρος 28 1. Τα βάρη αυτά είναι οι εκτιµήσεις των εµπειρογνωµόνων για την συνεισφορά κάθε διαγνωστικού κριτηρίου στην τελική διάγνωση. Η µέθοδος βαρών και παραγόντων βεβαιότητας είναι κατάλληλη για το σύστηµα που κατασκευάσαµε επειδή ο νευρολόγος ακολουθεί αυτήν την προσέγγιση κατά τη διαδικασία της διάγνωσης. ηλαδή, έχουµε µιµηθεί το µηχανισµό συλλογισµού που ακολουθεί ο εµπειρογνώµονας για τη διάγνωση. Οι παράγοντες βεβαιότητας στο σύστηµά µας είναι αρκετά διαφορετικοί από αυτούς που αναφέρονται στην σχετική βιβλιογραφία [7], [8]. 4
2.3 Παράδειγµα ιάγνωσης Η γενική µορφή του κανόνα για τον τύπο επιληψίας µε κωδικό 1.1.Ε (localization-related, idiopathic, benign frontal epilepsy) είναι η εξής: If (Seizure_type є {(ia1, 0.2), (ic, 0.2), (ib1b, 0.2), (οτιδήποτε, 0.0)}) ^ (Seizure_focus є {(frontal, 0.05), (οτιδήποτε, 0.0)}) ^ (Seizure_severity є {(slight, 0.05), (intermediary, 0.05), (οτιδήποτε, 0.0)}) ^ (EEG є {(c33, 0.3), (c34, 0.3), (b1-f, 0.3), (οτιδήποτε, 0.0)}) ^ (Age є {(3, 0.03), (4, 0.05), (5, 0.05), (6, 0.05), (7, 0.05), (8, 0.05), (9, 0.03)}) ^ (Lab_findings є {(normal, 0.05), (οτιδήποτε, 0.0)}) ^ (Vocalization є {(yes, 0.3)}) then Epilepsy_type = (1.1.E, ΠΒ) Όπου, τα δεδοµένα στις παρενθέσεις είναι οι πιθανές τιµές που µπορεί να πάρει κάθε ένα από τα διαγνωστικά κριτήρια του κανόνα καθώς και τα αντίστοιχα βάρη τους. Υποθέτουµε ότι ο νευρολόγος εισάγει στο σύστηµα τα εξής κλινικά και εργαστηριακά δεδοµένα κάποιου ασθενούς: Συµπτώµατα Τιµές Συµπτωµάτων Seizure Type ia1 Seizure Focus frontal Seizure Severity don t know EEG Type b1-f Age 7 Family Inheritance suspicious Lab Findings suspicious Vocalization yes Ο κανόνας που πυροδοτείται για να εντοπιστεί ο τύπος επιληψίας µε κωδικό 1.1.Ε παρουσιάζεται παρακάτω: Seizure_type = (ia1, [Βάρος 1 = 0.2]) ^ Seizure _focus = (frontal, [Βάρος 2 = 0.05]) ^ Seizure_severity = (οτιδήποτε, [Βάρος 3 = 0.0]) ^ EEG = (b1-f, [Βάρος 4 = 0.3]) ^ Age = (7, [Βάρος 5 = 0.05]) ^ Lab_findings = (οτιδήποτε, [Βάρος 10 = 0.0]) ^ Vocalization = (yes, [Βάρος 15 = 0.3]) Epilepsy_type = (1.1.E, [ΠΒ = 0.9]) Ο τελικός παράγοντας βεβαιότητας του κανόνα υπολογίζετε ως εξής: ΠΒ = 0.2 + 0.05 + 0.0 + 0.3 + 0.05 + 0.0 + 0.3 = 0.9 Η πρόταση «Epilepsy_type = (1.1.E, [ΠΒ = 0.9])» δηλώνει ότι ο τύπος επιληψίας µε κωδικό 1.1.Ε ισχύει µε βεβαιότητα 0.9. 5
2.4 ιαδικασία διάγνωσης και µετα-κανόνες Για την υλοποίηση της µηχανής συλλογισµών του συστήµατος µας, κατασκευάσαµε τέσσερις µετα-κανόνες. Κάθε µετα-κανόνας προσοµοιώνει τα βήµατα που ακολουθεί ο εµπειρογνώµονας για την πραγµατοποίηση της διάγνωσης. Αυτοί οι µετα-κανόνες καθοδηγούν το σύστηµα στον εντοπισµό των πιθανών τύπων επιληψίας. Οι τέσσερις µετα-κανόνες που κατασκευάστηκαν είναι οι εξής: 1. Μετα-κανόνας "τύπου κρίσης". 2. Μετα-κανόνας "τύπου ηλεκτροεγκεφαλογραφήµατος". 3. Μετα-κανόνας "τύπου ηλεκτροεγκεφαλογραφήµατος και εστίασης τύπου κρίσης". 4. Μετα-κανόνας "άλλων σηµαντικών συµπτωµάτων". Καθένας από τους παραπάνω µετα-κανόνες εντοπίζει κάποιους πιθανούς τύπους επιληψίας οι οποίοι επιστρέφονται στον χρήστη εφόσον ικανοποιούνται κάποια σηµαντικά κριτήρια, τα οποία είναι µοναδικά σε κάθε κανόνα. 3. Συµπεράσµατα Επεκτάσεις Η αξιολόγηση του συστήµατος µας έγινε σε 42 διαφορετικές περιπτώσεις. Το ποσοστό επιτυχίας του ήταν 83,3%. Η σωστή διάγνωση, σε αυτές τις περιπτώσεις, είχε τον υψηλότερο παράγοντα βεβαιότητας στον προτεινόµενο κατάλογο των πιθανών διαγνώσεων. Το ποσοστό επιτυχίας αυξάνει σηµαντικά (στο 90,5%) αν συνυπολογισθούν και τα αποτελέσµατα στα οποία ο παράγοντας βεβαιότητας της σωστής διάγνωσης βρίσκεται µέσα στη λίστα των πιθανών επιληψιών αλλά δεν έχει τον µεγαλύτερο παράγοντα βεβαιότητας. Τα κύρια τεχνικά χαρακτηριστικά του συστήµατος µας σε σύγκριση µε άλλα συστήµατα διάγνωσης επιληψίας είναι τα εξής: 1. Ο χειρισµός της αβέβαιης γνώσης για τον προσδιορισµό των πιθανών τύπων επιληψίας. 2. Η δυνατότητα γραφικής παρουσίασης των κανόνων µε τα ανάλογα πλεονεκτήµατα για κάθε χρήστη του συστήµατος. Τα πλεονεκτήµατα αυτά είναι η ευκολότερη κατανόηση των κανόνων. Η δυνατότητα ελέγχου των κανόνων για τυχόν απαραίτητες αλλαγές. Τέλος, η ευκολότερη κατανόηση του λόγου επιλογής κάποιου κανόνα κατά την διάγνωση. 3. Η δυνατότητα ενηµέρωσης της βάσης γνώσεων από τον εµπειρογνώµονα ή τον µηχανικό γνώσεων. Αυτή η δυνατότητα δίνει ευελιξία και προσαρµοστικότητα στο σύστηµα και γίνεται σε πολύ φιλικό περιβάλλον για τον χρήστη. 4. Η χρήση µετα-κανόνων (meta-rules) οι οποίοι καθοδηγούν την διαδικασία συλλογισµών του συστήµατος. Μελλοντικές επεκτάσεις και βελτιώσεις του συστήµατος µπορούν να γίνουν στα εξής σηµεία: 1. Έχει ήδη σχεδιαστεί και υλοποιείται µία τηλε-υπηρεσία δια µέσου της οποίας κάποιος χρήστης θα µπορεί να χρησιµοποιήσει το συγκεκριµένο έµπειρο σύστηµα από το διαδίκτυο (Web-based interface). Με αυτό τον τρόπο θα δίνεται η δυνατότητα στον χρήστη να έχει εύκολη και άµεση πρόσβαση στις υπηρεσίες του συστήµατος, από οποιοδήποτε σηµείο. 6
2. Επίσης, µπορεί να κατασκευασθεί µια κοινή βάση δεδοµένων που θα περιέχει περιπτώσεις ασθενών µε οριστικοποιηµένες διαγνώσεις, την οποία οι χρήστες-ιατροί θα µπορούν να συµβουλεύονται για αντίστοιχες µε την περίπτωση που εξετάζουν εγγραφές. 3. Σε συνδυασµό µε το προηγούµενο, θα µπορούσε ν αναπτυχθεί ένα υποσύστηµα µηχανικής µάθησης το οποίο θα εκµεταλλεύεται τα στοιχεία της βάσης δεδοµένων. Με το υποσύστηµα αυτό είναι δυνατόν να δηµιουργούνται αυτόµατα κανόνες από πραγµατικά περιστατικά διάγνωσης εµπειρογνωµόνων ώστε να εµπλουτίζεται η βάση γνώσεων. 4. Ένα υποσύστηµα επεξήγησης των συλλογισµών είναι αναγκαίο. Αυτό το υποσύστηµα θα επιδεικνύει, εφόσον το ζητήσει ο χρήστης, τον κανόνα που χρησιµοποιήθηκε για να γίνει η διάγνωση. 5. Μπορούν να εξεταστούν άλλες µέθοδοι αναπαράστασης γνώσεων και συλλογισµού µε αβεβαιότητα µε στόχο την βελτίωση της απόδοσης του συστήµατος. 4. Αναγνώριση, υποστήριξη Η παρούσα µελέτη υποστηρίζεται από τα ερευνητικά προγράµµατα: BIOPATTERN: Computational Intelligence for biopattern analysis in Support of ehealthcare (EU - 6th FP/IST). Αρχιµήδης ΙΙ: Ενίσχυση ερευνητικών οµάδων του ΤΕΙ Κρήτης (ΕΠΕΑΚ-ΙΙ). 5. Βιβλιογραφία [1] Commission on Classification and Terminology of the ILAE. Proposal for revised classification of epilepsies and epileptic syndromes. Epilepsia, 1989, 30(4): 389-399. [2] Commission on Classification and Terminology of the ILAE: Proposal for revised clinical and electroencephalographic classification of epileptic seizures, Epilepsia, 1981; 22:489-501. [3] K. Vassilakis, L. Vorgia, S. Micheloyannis, A Decision Support System for Classification of Epilepsies in Childhood, Journal of Child Neurology, 2002, 17(5): 357-63. [4] Korpinen L Computer-aided decision-making for epilepsy and sleep diagnostics, Acta Neurologica Scandinavica, 1993, Suppl. No. 144, 87. [5] K. Vassilakis, S. Micheloyannis, E. Marakakis, Decision support system as a tool to diagnose Epilepsies in children, 1 st European Workshop on the Assessment of Diagnostic Performance, Milan, Italy, 7-9 July 2004. [6] SICStus Prolog user s manual, release 3.11.0, (Swedish Institute of Computer Science, October 2003). [7] B. Buchanan, E. Shortliffe, Rule-Based Expert Systems: The Mycin Experiments of the Standford Heuristics Programming Project, (Addison Wesley, 1984). [8] P. Jackson, Introduction to Expert Systems, (Addison-Wesley, 3rd Edition, 1999). 7