MODELE PODOBIEŃSTWA W KOMUTEROWYCH SYSTEMACH DIAGNOSTYKI MEDYCZNEJ I ICH WPŁYW NA WIARYGODNOŚĆ ROZPOZNANIA. prof. dr hab. Andrzej Ameljańczyk

HTML
DOWNLOAD

Wielkość: px

Rozpocząć pokaz od strony:

Download "MODELE PODOBIEŃSTWA W KOMUTEROWYCH SYSTEMACH DIAGNOSTYKI MEDYCZNEJ I ICH WPŁYW NA WIARYGODNOŚĆ ROZPOZNANIA. prof. dr hab. Andrzej Ameljańczyk"

Beata Muszyńska
5 lat temu
Przeglądów:

1 MODELE PODOBIEŃSTWA W KOMUTEOWYCH SYSTEMACH DIAGNOSTYKI MEDYCZNEJ I ICH WPŁYW NA WIAYGODNOŚĆ OZPOZNANIA pr. r hab. Anrzej Aeljańczyk

2 ZAKES PEZENTACJI 2. OGÓLNY SCHEMAT POCEDUY DIAGNOZOWANIA I TEAPII 2. KOMPUTEOWE SYSTEMY WSPOMAGANIA DIAGNOSTYKI MEDYCZNEJ 3. MODELE BADANIA PODOBIEŃSTWA 4. MODELE BINANE A MODELE SKALOWANE 5. SYNTEZA MODELI PODOBIEŃSTWA 6. WSKAŹNIKI JAKOŚCI OZPOZNANIA 7. BADANIA SYMULACYJNE WIAYGODNOŚCI OZPOZNANIA 8. WNIOSKI KOŃCOWE

3 SCHEMAT POCEDUY DIAGNOZOWANIA I TEAPII WYNIKI BADAŃ SPECJALISTYCZNYCH SYMPTOMY CHOOBOWE POCEDUA DIAGNOZOWANIA OCENA WIAYGODNOŚCI DIAGNOZY N BADANIA SPECJALISTYCZNE CZYNNIKI YZYKA OZPOZNANIE CHOOBY P 3 DANE MEDYCZNE WYBÓ TEAPII OCENA SKUTKÓW TEAPII N MODYFIKACJA TEAPII P KONIEC POCEDUY

4 PODZIAŁ KOMPUTEOWYCH SYSTEMÓW WSPOMAGANIA DIAGNOSTYKI MEDYCZNEJ 4. SYSTEMY EKSPECKIE OLA EKSPETÓW W BUDOWIE WZOCÓW J.CH. ALGOYTMY OZPOZNAWANIA WZOCÓW BADANIE PODOBIEŃSTWA DANYCH MEDYCZNYCH ( STANU ZDOWIA PACJENTA) DO WZOCA JEDNOSTKI CHOOBOWEJ 2. SYSTEMY UCZĄCE SIĘ UCZENIE MASZYNOWE (DANE TENINGOWE I TESTOWE) OLA DANYCH TENINGOWYCH BADANIE PODOBIEŃSTWA DANYCH MEDYCZNYCH (STANU ZDOWIA PACJENTA) DO DANYCH MEDYCZNYCH INNYCH PACJENTÓW ALGOYTMY KLASYFIKUJĄCE (KLASYFIKATOY) 3. SYSTEMY MIESZANE (HYBYDOWE) UCZENIE MASZYNOWE (DANE TENINGOWE I TESTOWE) AUTOMATYCZNE GENEOWANIE WZOCÓW J.CH. ALGOYTMY OZPOZNAWANIA WZOCÓW

5 MODELE PODOBIEŃSTWA 5 A. PODZIAŁ WG. KYTEIUM TVESKY EGO a) - STOPNIOWE b) 2 - STOPNIOWE c) 3 - STOPNIOWE B. PODZIAŁ WG. SKALOWALNOŚCI CECH a) BINANE b) SKALOWANE C. PODZIAŁ ZE WZGLĘDU NA SPOSÓB IMPLEMENTACJI a) METYCZNE b) GAFICZNE c) OZMYTE itp. D. WIELOKYTEIALNOŚĆ (WIELODZIEDZINOWOŚĆ WIELOASPEKTOWOŚĆ) PODOBIEŃSTWA (SYNTEZA (FUZJA) MODELI PODOBIEŃSTWA - METAKLASYFIKATOY) a) JEDNOKYTEIALNE b) WIELOKYTEIALNE

6 POBLEM OKEŚLANIA PODOBIEŃSTWA MODEL PODOBIEŃSTWA TVESKY EGO A B. ) ( B A ( B) A ( A) B UPOSZCZONE WAIANTY MODELU TVESKY EGO. (MODEL JEDNOSTOPNIOWY) a ) ( ) ( B A B A P ) ( ) ( ) ( A B B A B A P ) ( ) ( ) ( B A B A B A P (MODELE DWUSTOPNIOWE) ) ( ) ( ) ( ) ( B A A B B A B A P MPT 6

7 POBLEM OKEŚLANIA PODOBIEŃSTWA MODEL WIELOKYTEIALNY (UOGÓLNIENIE MODELU TVESKY EGO) IDEA: p( A B) p (( A B) p2( A B) p3( A B)) p ( A B) ( A B) a 3 p2( A B) ( B A) p3( A B) ( A B) in in 7 ZAGADNIENIE OZPOZNANIA WZOCÓW ZW ( p ) - zbiór wzrców (jenstek chrbwych) N p( ) - pbieństw baaneg biektu A wzrca N p( ) Y - przestrzeń pbieństwa ( N 2) Y Y - relacja pbieństwa (preerencji )

8 SPECYFIKA MODELI PODOBIEŃSTWA W DIAGNOSTYCE MEDYCZNEJ STAN ZDOWIA PACJENTA WZOZEC CHOOBOWY A B. MODELE JEDNOSTOPNIOWE p( A B) a 2. MODELE DWUSTOPNIOWE p( A B) a p( B A) in 8 3. POBLEM CHOÓB WSPÓŁISTNIEJĄCYCH p( A B)?

9 MODELE BINANE A MODELE SKALOWALNE W DIAGNOSTYCE MEDYCZNEJ MODEL BINANY (PZYKŁAD): bserwacja: 0 0 S 4 6 S 3 9 MODEL SKALOWALNY (PZYKŁAD): bserwacja: w s k S 3 0 s k s k

10 MODELE BINANE A MODELE SKALOWALNE c. MODEL SKALOWALNY A MODEL BINANY (PZYKŁAD) WSZYSTKIE OBSEWACJE SĄ TAK SAMO PODOBNE DO JEDNOSTKI CHOOBOWEJ N

11 MODELE BINANE A MODELE SKALOWALNE c. MODEL SKALOWALNY (PZYKŁAD) w k s S s k s 2 0 k

12 WIELOSTOPNIOWE MODELE PODOBIEŃSTWA W DIAGNOSTYCE MEDYCZNEJ ) MODEL JEDNOSTOPNIOWY 2) MODEL DWUSTOPNIOWY p k k a k... 5 p k...5 k k k A.) a 2 A.2)

13 JEDNOSTOPNIOWY MODEL OZPOZNAWANIA WZOCÓW MEDYCZNYCH - PZYKŁAD 3 S S - uprszczny el stanu zrwia pacjenta X w s; s S w r; r s * - wzrzec chrby w aspekcie syptów r * - wzrzec chrby w aspekcie czynników ryzyka s - ległść stanu zrwia pacjenta wzrca chrby 2 S * * r w aspekcie syptów - ległść stanu zrwia pacjenta wzrca chrby w aspekcie czynników ryzyka

14 JEDNOSTOPNIOWY MODEL c. PZYKŁAD M S S s S * M r * 2 2 M S S S M ZYKŁAD 2 M s S s s w k k k M r r r w l l l 2 4

15 DWUKYTEIALNA PZESTZEŃ PODOBIEŃSTWA 5 M O M ZADANIE WYZNACZENIA DIAGNOZY WSTĘPNEJ 2 M O wstępne szacwanie zbiru żliwych iagnz (M repzytriu) - wukryterialna cena stpnia pbieństwa stanu zrwia pacjenta brazu chrby MO -(uprszczenie zapisu) -el preerencji wniskwania iagnstycznych (relacja inwania) ) el Paret 2) el hierarchiczny (2) 3) el hierarchiczny (2) 4) el pesyisty / ptyisty 5) el klektywny (knsyliu)

16 WYZNACZANIE ZBIOU CHOÓB OD KTÓYCH NIE MA BADZIEJ PAWDOPODOBNYCH Y M 2 M 2 - braz cenwy (ległściwy) zbiru ptencjalnych iagnz Y N 6 * y 5 7 Y M N ys.2. Wyznaczanie zbiru chrób których nie a barziej prawpbnych M M 6 - jest barziej prawpbna niż

17 ZBIÓ PAETO I JEGO ANKING 7 Kwiecień 2009 M N M nie istnieje że M Y Y M N N N M * * y y y 2 * - braz chrby wirtualnej (najbarziej prawpbnej) - punkt utpijny y y 2 2 in in * * M M M p p y q N M * FUNKCJA ANKINGOWA 7

18 WYBANE CHAAKTEYSTYKI JAKOŚCIOWE POCESÓW DIAGNOZOWANIA. INFOMACYJNOŚĆ WYNIKÓW BADAŃ 2. NIEJEDNOZNACZNOŚĆ DIAGNOZY 3. WYAZISTOŚĆ DIAGNOZY 4. WAŻLIWOŚĆ DIAGNOZY NA ZMIANY WYNIKÓW BADAŃ 5. WIAYGODNOŚĆ DIAGNOZY SYNTETYCZNY WSKAŹNIK JAKOŚCI POCESU DIAGNOZOWANIA 6. BŁĄD KLASYFIKACJI 7. CZUŁOŚĆ I SWOISTOŚĆ POCESU DIAGNOZOWANIA 8 8 Kwiecień 2009

19 INFOMACYJNOŚĆ WYNIKÓW BADAŃ PACJENTA 9. W zakresie stwierznych syptów gzie i S w sk i i S s k S 2. W zakresie stwierznych czynników ryzyka gzie i w l r 0 M 0 is a a M i r i i l s s k X r X X l X

20 INFOMACYJNOŚĆ WYNIKÓW BADAŃ PACJENTA 2. NIEJEDNOZNACZNOŚĆ DIAGNOZY PACJENTA (STOPIEŃ NIEJEDNOZNACZNOŚCI) gzie Y N n y Y N Y FN y - zbiór brazów chrób których nie a barziej prawpbnych 3. WYAZISTOŚĆ DIAGNOZY PACJENTA (STOPIEŃ WYAZISTOŚCI) s Y N M X WAŻLIWOŚĆ POCESU DIAGNOZOWANIA NA ZMIANY (BŁĘDY) WYNIKÓW BADAŃ i s i D D k

21 WIAYGODNOŚĆ DIAGNOZY PACJENTA X (STOPIEŃ WIAYGODNOŚCI - WSKAŻNIK GLOBALNY ) KALIBACJA I WALIDACJA 2 () wiarygnść wątpliwa 2 * y wiarygnść ujena bszar puszczalnej wiarygnści * y 2 () 2 M q 0 0 y y p w * * p

22 WIAYGODNOŚĆ DIAGNOZY PACJENTA X c.. w M M i s i r W jaki spsób wiarygnść uzyskanej iagnzy zależy zbiru repzytriu M raz inracyjnści wyników baań?. Wiarygnść iagnzy jest niealejącą unkcją licznści zbiru M 2. Wiarygnść iagnzy jest niealejącą unkcją inracyjnści wyników baań Inne własnści unkcji

23 SYMULACYJNA METODA BADANIA CHAAKTEYSTYK JAKOŚCIOWYCH POCESU DIAGNOZOWANIA WYBANE WYNIKI EKSPEYMENTÓW SYMULACYJNYCH MODEL JEDNOSTOPNIOWY ) 2) 3) 4) 23

24 SYMULACYJNA METODA BADANIA CHAAKTEYSTYK JAKOŚCIOWYCH POCESU DIAGNOZOWANIA WYBANE WYNIKI EKSPEYMENTÓW SYMULACYJNYCH MODEL JEDNOSTOPNIOWY ) Analiza elu jenstpniweg w wariancie ziennej liczby chrób w repzytriu(wykres przestawia wartści la 50 chrób w repzytriu) Nr jenstki chrbwej Wartść Wartść ) Analiza elu jenstpniweg w wariancie ziennej liczby chrób w repzytriu(wykres przestawia wartści la 00 chrób w repzytriu) Nr jenstki chrbwej Wartść Wartść

25 SYMULACYJNA METODA BADANIA CHAAKTEYSTYK JAKOŚCIOWYCH POCESU DIAGNOZOWANIA WYBANE WYNIKI EKSPEYMENTÓW SYMULACYJNYCH MODEL JEDNOSTOPNIOWY 3) Analiza elu jenstpniweg w wariancie ziennej liczby chrób w repzytriu(wykres przestawia wartści la 200 chrób w repzytriu) Nr jenstki chrbwej Wartść Wartść ) Analiza elu jenstpniweg w wariancie ziennej liczby chrób w repzytriu(wykres przestawia wartści la 300 chrób w repzytriu) Nr jenstki chrbwej Wartść Wartść 2

26 SYMULACYJNA METODA BADANIA CHAAKTEYSTYK JAKOŚCIOWYCH POCESU DIAGNOZOWANIA WYBANE WYNIKI EKSPEYMENTÓW SYMULACYJNYCH MODEL DWUSTOPNIOWY ) 2) 3) 4) 26

27 SYMULACYJNA METODA BADANIA CHAAKTEYSTYK JAKOŚCIOWYCH POCESU DIAGNOZOWANIA WYBANE WYNIKI EKSPEYMENTÓW SYMULACYJNYCH MODEL DWUSTOPNIOWY ) Analiza elu wustpniweg w wariancie ziennej liczby chrób w repzytriu(wykres przestawia wartści la 50 chrób w repzytriu) Nr jenstki chrbwej Wartść Wartść ) Analiza elu wustpniweg w wariancie ziennej liczby chrób w repzytriu(wykres przestawia wartści la 00 chrób w repzytriu) Nr jenstki chrbwej Wartść Wartść 2

28 SYMULACYJNA METODA BADANIA CHAAKTEYSTYK JAKOŚCIOWYCH POCESU DIAGNOZOWANIA WYBANE WYNIKI EKSPEYMENTÓW SYMULACYJNYCH MODEL DWUSTOPNIOWY 3) Analiza elu wustpniweg w wariancie ziennej liczby chrób w repzytriu(wykres przestawia wartści la 200 chrób w repzytriu) Nr jenstki chrbwej Wartść Wartść ) Analiza elu wustpniweg w wariancie ziennej liczby chrób w repzytriu(wykres przestawia wartści la 300 chrób w repzytriu) Nr jenstki chrbwej Wartść Wartść 2

29 SYMULACYJNA METODA BADANIA CHAAKTEYSTYK JAKOŚCIOWYCH POCESU DIAGNOZOWANIA ZESTAWIENIE WYNIKÓW EKSPEYMENTÓW SYMULACYJNYCH DLA MODELU JEDNOSTOPNIOWEGO I DWUSTOPNIOWEGO WSPÓŁCZYNNIK WIAYGODNOŚCI Współczynnik wiarygnści - el jenstpniwy Współczynnik wiarygnści - el wustpniwy

30 WNIOSKI KOŃCOWE 30 KOMPUTEOWE SYSTEMY WSPOMAGANIA DIAGNOSTYKI MEDYCZNEJ ( DEZYDEATY I OCZEKIWANIA APLIKACYJNE ) A. MOŻLIWOŚĆ OKEŚLANIA DODATKOWYCH CHAAKTEYSTYK POCESU DIAGNOZOWANIA TAKICH JAK: STOPIEŃ INFOMACYJNOŚCI WYNIKÓW BADAŃ STOPIEŃ NIEJEDNOZNACZNOŚCI OZPOZNANIA STOPIEŃ WYAZISTOŚCI OZPOZNANIA STOPIEŃ WIAYGODNOŚCI OZPOZNANIA WSKAŹNIK WAŻLIWOŚCI NA ZMIANY WYNIKÓW BADAŃ BŁĄD OZPOZNANIA ( KLASYFIKACJI) CZUŁOŚĆ I SWOISTOŚĆ OZPOZNANIA

31 WNIOSKI KOŃCOWE c.. B. SPECYFIKA STOSOWANYCH MODELI PODOBIEŃSTWA ) MODELE BINANE A MODELE SKALOWALNE - INFOMACYJNOŚĆ WYNIKÓW BADAŃ (BAK MOŻLIWOŚCI OKEŚLENIA) - NIEJEDNOZNACZNOŚĆ OZPOZNANIA (WZOST) - WAŻLIWOŚĆ DIAGNOZY NA ZMIANY WYNIKÓW BADAŃ (SPADEK) - WIAYGODNOŚĆ OZPOZNANIA (SPADEK) 3 2) MODELE JEDNO I WIELOSTOPNIOWE - NIEJEDNOZNACZNOŚĆ OZPOZNANIA (WZOST) - WAŻLIWOŚĆ DIAGNOZY NA ZMIANY WYNIKÓW BADAŃ (SPADEK) - WIAYGODNOŚĆ OZPOZNANIA (SPADEK)

32 WNIOSKI KOŃCOWE c. 3) MODELE JEDNOASPEKTOWE I WIELOASPEKTOWE - NIEJEDNOZNACZNOŚĆ OZPOZNANIA (WZOST) - WAŻLIWOŚĆ DIAGNOZY NA ZMIANY WYNIKÓW BADAŃ (SPADEK) - WIAYGODNOŚĆ OZPOZNANIA (SPADEK) - OLA SYNTEZY (FUZJI) MODELI DZIEDZINOWYCH (ASPEKTOWYCH) SPECYFIKA DIAGNOSTYKI MEDYCZNEJ : SKALOWALNE WIELOASPEKTOWE MODELE PODOBIEŃSTWA DWUSTOPNIOWEGO 32

Podobne dokumenty

Komputerowa diagnoza medyczna tworzenie i interpretowanie. prof. dr hab. inż. Andrzej Walczak

Komputerowa diagnoza medyczna tworzenie i interpretowanie prof. dr hab. inż. Andrzej Walczak Agenda 1. Po co budujemy komputerowe wspomaganie diagnostyki medycznej? 2. Wymagania na IT wdrażane w medycynie