UNIVERSITATEA DE MEDICINA SI FARMACIE

1
UNIVERSITATEA DE MEDICINA SI FARMACIE Victor
Babes TIMISOARADISCIPLINA DE INFORMATICA
MEDICALAwww.medinfo.umft.ro/dim
2
CURSUL 11
3
(No Transcript)
4
Decizia medicala asistata de calculatorI
5
1. Decizia medicala1.1. Directii

1. Stabilirea diagnosticului
2. Alegerea investigatiilor
3. Optimizarea tratamentului
4. Decizii manageriale

6
a) Stabilirea diagnosticului

• Istoric

7
b) Alegerea investigatiilor

• Investigatii scumpe sau invazive

8
c) Optimizarea tratamentului

1. Tratamentul tumorilor prin radiatii
2. Tratament medicamentos

9
d) Decizii manageriale

• Planificarea si utilizarea resurselor, optimizari

10
1.2. Clasificarea metodelordupa modul de
reprezentare a cunostintelor a) logice -
simbolic 1/0 (da/nu) b) statistice -
probabilitati c) euristice - propozitii
11
1.3. Principiul metodelor de diagnostic asistat
12
2. Metode logice2.1. Principii
constructive -Logica bivalenta ( DA / NU) -BC
baza de cunostinte matricea B/S
boli/simptome -date vectorul de stare al
pacientului (PAC)
13
Schema
S1 S2 S3 ...... Scor
B1 1 0 1 2/8 B2 0 1 1
3/6 . .... .............................
................ PAC 0 1 0
BC
14
2.2. Tipuri de metode logice

• Dupa constructia vectorului PAC
• A) Tabele de simptome
• alegere simptome din meniu
• B) Arbori de decizie
• succesiune de întrebari cu raspuns Da/Nu
• evitarea întrebarilor inutile
• implicarea pacientilor

15
2.3. Dezavantajele metodelor logice

• nu tin cont de importanta unor simptome
• nu pot cuantifica intensitatea simptomelor
• AVANTAJ
• nu tin cont de prevalenta unor afectiuni

16
3. Metode statistice

• regula lui Bayes
• pattern recognition

17
3.A. Regula lui Bayesa) Baza Cun.
probabilitatile

• fiecarei boli în populatie p(B)
• fiecarui simptom în fiecare boala p(S/B)

18
b) Tabel pt calculul p(B/S) (pentru fiecare
pereche Boala/Simptom)
S S -
B a b L1 B - c d L2
C1 C2 N
19
c) Probabilitate

• neconditionata P(B) L1/N
• conditionata P(S/B-) c/L2

20
d) Regula lui Bayes
P(S/B) x P(B)
P(B/S)
P(S)
21
e) Aplicatie
P(S/B) a/L1 P(B) L1/N P(S) C1/N gt P(B/S)
a/C1
22
f) Pentru mai multe simptome

• evenimente compuse
• sau - suma prob.
• si - produs prob.
• trebuie verificat daca sunt independente testul
  c2

23
3.B. Pattern recognition
24
(No Transcript)
25
3.1 Notiunea de pattern

• Operatiunea de recunoastere
• Definitie pattern
• Ansamblu de atribute specifice care permit
  clasificarea unui obiect
• Puterea de discriminare a atributelor

26
3.2. Variante de pattern recognitiona) M.
Clasificarii

• se împart obiectele pe diferite clase
• se selecteaza N atribute cu putere de
  discriminare
• se reprezinta obiectele în spatiul N-dimensional
• se separa clasele
• Baza de cun. Reprezentarea claselor intr-un
  spatiu N-dimensional corespunzator clasificarii
• problema carei clase îi apartine un nou obiect?
• avantaj similaritatea cu cazul real

27
b) Metoda gruparii (clustering)

• se dau multe obiecte neclasificate
• se reprezinta în diverse spatii
  multi-dimensionale
• se analizeaza daca apar grupari de puncte
  (clustere)
• problema se pot grupa în clase?
• avantaj releva proprietati noi (existenta unor
  clase sau sub-clase)

28
(No Transcript)
29
c) Sisteme de învatare (inteligenta artificiala)

• supervizata m. clasificarii
• nesupervizata m. gruparii

30
3.3. Constructia unui pattern

• a) EXTRAGEREA ATRIBUTELOR
• delimitarea claselor
• definitia functiei de proiectie
• Metode vectoriale
• analiza componentelor principale
• analiza discriminanta
• Metode structurale
• ierarhizarea atributelor în categorii

31
3.4. Sinteza unui clasificator

• Functia de decizie
• reguli geometrice
• reguli statistice
• reguli sintactice

32
Sfârsit