Podobně, jako letadlo může řídit počítač, mohou nastat ale situace, kdy bez zásahu člověka by nového modelu je potřeba zásah člověka

1

Podobně, jako letadlo může řídit počítač, mohou nastat ale situace, kdy bez zásahu člověka by letadlo havarovalo. Stejně tak např. v roboti dokážou kompletně vyrobit nové auto, ale k vytvoření nového modelu je potřeba zásah člověka. Podle literatury lze definovat 6 stupňů komplexnosti počítačových aplikací v medicíně. Čím je větší složitost aplikací tím je míra zapojení člověka do řešení problémů větší. Záznam a komunikace – vsup, přenos, výstup dat – kódovací či dekódovací postupy (převod do standardizované podoby), šifrování. Nepředpokládá se ukládání dat. Př.: vizualizace biologických signálů, EKG, tlak, Lokální síť pro přenos výsledků biochemických vyšetření, posílání propouštěcích zpráv, Telekonsultace – přenos radiologických snímků Ukládání a vyhledávání – tato úroveň je rozšířena o trvalé ukládání dat s možností vyhledávání v databázích. Pro představu: NIS mohou spravovat více než milion pacientů (>100GB) Př.: Databáze údajů – slouží pro léčbu a výzkum, systém MEDLINE, databáze léků, diagnostických kódů (Mezinár. Klasifikace nemocí, úrazů a příčin smrti), systémy pro archivaci obrazů PACS (Picture Archiving /a:kaiving/ and Communication Systems) Vyhodnocování a automatizace – vyhodnocování = statistické předzpracování dat, Př.: analýza laboratorních vzorků Rozpoznávání a rozhodování – příkladem je diagnóza u nemocného pacienta. Lékař musí sdělit počítači jaký model použít, které příznaky jsou relevantní (podstatné při rozhodování). Př.: diagnostická interpretace EKG – jedna z nejúspěšnějších aplikací, kde rozhodování běží téměř automaticky bez lidského zásahu. Konečnou klasifikaci musí provézt lékař. Metoda diferenciální diagnostiky bolestí břicha břicha, kde na základě příznaků počítač sestaví nejpravděpodobnější nemoci nemoci. Konečnou diagnózu však musí provést lékař. Terapie a řízení - počítač pomáhá např. při regulaci tekutin na jednotce intenzivní péče. Program určuje množství infuze na základě odběru tekutin, nebo např. na základě naměřených hladin cukru v krvi program určuje množství insulinu. Předepisování léků: počítač kontroluje možné indikace či kontraindikace léků (mohou být absolutní – nikdy se to nesmí dát, relativní – za určitých okolností). Výzkum a vývoj – vytváření matematických modelů, simulace na počítači. Tyto modely mohou být odvozeny na základě vědeckých teorií nebo odhadované z jevů pozorovaných v reálním světě. Při užití údajů o nemocných mohou být testovány různé hypotézy.

2

Podle literatury lze definovat 6 stupňů komplexnosti počítačových aplikací v medicíně. Čím je větší složitost aplikací tím je míra zapojení člověka do řešení problémů větší. 1. Záznam a komunikace – data jsou shromažďována a přenášena 2. Ukládání a vyhledávání 3. Vyhodnocování a automatizace – data jsou zpracována před rozhodováním 4. Rozpoznávání a rozhodování – příkladem je diagnóza u nemocného pacienta. Lékař musí sdělit počítači jaký model použít, které příznaky jsou relevantní (podstatné při rozhodování). Př.: diagnostická interpretace EKG – jedna z nejúspěšnějších aplikací, kde rozhodování běží téměř automaticky bez lidského zásahu. Konečnou klasifikaci musí provézt lékař. Metoda diferenciální diagnostiky bolestí břicha, kde na základě příznaků počítač sestaví nejpravděpodobnější nemoci nemoci. Konečnou diagnózu však musí provést lékař lékař. 5. Terapie a řízení 6. Výzkum a vývoj

3

Rozhodovací model je důležitý, ale pokud nevíme které vlastnosti jsou nejdůležitější, potom rozhodovací model nám moc nepomůže. Rozhodovací model nám může pomoct při výběru vhodných vlastností, a tím samotný model může být optimalizovaný. (něco podobného platí při detekci signálu, který je zarušený. Pokud známe vlastnosti signálu, lépe můžeme detekovat zarušený signál).

4

Různé rozhodovací strategie, které můžeme použít, pokud víme které vlastnosti příznaků budeme používat. Obecně se dá říct: čím více znalosti máme o pacientovy, o symptomech a výskytu nemocí v populaci, tím lepší rozhodovací model můžeme navrhnout. Na druhou stranu, pokud pravděpodobnost nějaké nemoci je malá u nás, je velice obtížné ji odhalit (např. tropické nemoci, malárie). Nebo nemoci, které mají podobné příznaky, ale zcela odlišnou terapii. Základní kategorie jsou: •Kvantitativní – jsou založené na statistických metodách. Vlastnosti na základě kterých se rozhodne jsou určené předem. Využívají také apriorní pravděpodobnosti (např. Bayesovská metoda) •Kvalitativní – používají k rozhodování vlastnosti, které jsou navržené experty, založené na klinických studiích (symbolické usuzování, logická dedukce, boolová algebra). algebra) •Kombinace je taky možná (Bayesovské sítě)

5

Učení (nastavení modelu) může být •pod dohledem (s učitelem) a - používá se trénovací množina – učitel říká počítači správné nemoci, potom počítač sestaví pořadí vlastností které jsou důležité (nejvíce vystihují jednu či druhou nemoc) učitel pak se rozhodne které (a kolik) vlastnosti se budou používat pro rozhodování. •bez dohledu (bez učitele) – taky se používá trénovací množina – není ale známá „pravda“ (které nemoci patří ke kterým příznakům) – počítač roztřídí do skupin (klastrování) jednotlivé vlastnosti vlastnosti. Např Např. pokud jsou jenom nemoci A a B B, tak na dvě skupiny.

6

Obecně statistické metody se používají pro testování pravděpodobnosti určité události. Např. jestli nemoc A je více pravděpodobné než nemoc B. Nebo jednoduchý příklad rozhodování mezi nemocným a zdravým člověkem na základě jedné vlastnosti: Budeme chtít rozdělit lidi s hypertenzí a lidi bez hypertenze na základě naměřeného systolického tlaku

7

Obecně statistické metody se používají pro testování pravděpodobnosti určité události. Podobně se dají použít pro rozhodování pravděpodobnosti výskytu nemoci. Např. jestli nemoc A je více pravděpodobné než nemoc B. Nebo jednoduchý příklad rozhodování mezi nemocným a zdravým člověkem na základě jedné vlastnosti: Budeme chtít rozdělit lidi s hypertenzí a lidi bez hypertenze. Naměříme tlaky ve třech skupinách lidí: a) běžná populace lidí, b) populace lidí, kteří navštívili svého praktického lékaře z nějakého důvodu c) populace lidí kteří jsou pacienti kardiologického ústavu. Distribuce systolického tlaku je znázorněno na obrázcích. U běžné populace je střední hodnota systolického tlaku vyšší … Střední hodnota a rozptl syst. tlaku je stejný u všech skupin. Jakýkoliv práh zavádí určitou chybu: SP (správně pozitivní), FP, SN, FN (falešně negativní) SP+FN=100% (1) FP+TN=100% (1) Pokud chceme minimalizovat falešnou detekci musíme rozlišovat mezi skupinami

8

Obecně statistické metody se používají pro testování pravděpodobnosti určité události. Podobně se dají použít pro rozhodování pravděpodobnosti výskytu nemoci. Např. jestli nemoc A je více pravděpodobné než nemoc B. Nebo jednoduchý příklad rozhodování mezi nemocným a zdravým člověkem na základě jedné vlastnosti: Budeme chtít rozdělit lidi s hypertenzí a lidi bez hypertenze. Naměříme tlaky ve třech skupinách lidí: a) běžná populace lidí, b) populace lidí, kteří navštívili svého praktického lékaře z nějakého důvodu c) populace lidí kteří jsou pacienti kardiologického ústavu. Distribuce systolického tlaku je znázorněno na obrázcích. U běžné populace je střední hodnota systolického tlaku vyšší … Střední hodnota a rozptl syst. tlaku je stejný u všech skupin. Jakýkoliv práh zavádí určitou chybu: SP (správně pozitivní), FP, SN, FN (falešně negativní) SP+FN=100% (1) FP+TN=100% (1) Pokud chceme minimalizovat falešnou detekci musíme rozlišovat mezi skupinami

9

10

Efekt volby prahu ukazuje ROC křivka pozitivní

11

12

13

14

15

Účinnost rozhodovacího modelu můžeme určit pomocí ROC křivky, ale v praxi většinou máme jen dva parametry TP, TN (nebo FP, FN) pro dva skupiny: např. nemoc A, nemoc B. vysoce senzitivní – pro záchyt (screening) SP / všichni nemocní y specifické p –p pro konečnou diagnózu g vysoce SN / všichni zdraví

Souvislost s cenou vyšetření Prevalence nemocní/všichni

16



17



18

Účinnost rozhodovacího modelu můžeme určit pomocí ROC křivky, ale v praxi většinou máme jen dva parametry TP, TN (nebo FP, FN) pro dva skupiny: např. nemoc A, nemoc B. vysoce senzitivní – pro záchyt (screening) vysoce specifické – pro konečnou diagnózu Souvislost s cenou vyšetření Prevalence nemocní/všichni

19

Různé rozhodovací strategie, které můžeme použít, pokud víme které vlastnosti příznaků budeme používat. Obecně se dá říct: čím více znalosti máme o pacientovy, o symptomech a výskytu nemocí v populaci, tím lepší rozhodovací model můžeme navrhnout. Na druhou stranu, pokud pravděpodobnost nějaké nemoci je malá u nás, je velice obtížné ji odhalit (např. tropické nemoci, malárie). Nebo nemoci, které mají podobné příznaky, ale zcela odlišnou terapii. Základní kategorie jsou: •Kvantitativní – jsou založené na statistických metodách. Vlastnosti na základě kterých se rozhodne jsou určené předem. Využívají také apriorní pravděpodobnosti (např. Bayesovská metoda) •Kvalitativní – používají k rozhodování vlastnosti, které jsou navržené experty, založené na klinických studiích (symbolické usuzování, logická dedukce, boolová algebra). algebra) •Kombinace je taky možná (Bayesovské sítě)

20

používají k rozhodování vlastnosti, které jsou navržené experty, založené na klinických studiích (symbolické usuzování, logická dedukce, boolová algebra). Heuristické metody rozhodování

21

používají k rozhodování vlastnosti, které jsou navržené experty, založené na klinických studiích (symbolické usuzování, logická dedukce, boolová algebra).

22

používají k rozhodování vlastnosti, které jsou navržené experty, založené na klinických studiích (symbolické usuzování, logická dedukce, boolová algebra).

23

Podobně, jako letadlo může řídit počítač, mohou nastat ale situace, kdy bez zásahu člověka by nového modelu je potřeba zásah člověka

Recommend Documents