20. Соотношение подобия. Условные вероятности результатов диагноза. Правильные и неправильные положительные и отрицательные исходы формальной диагностики.

Условная вероятность — вероятность одного события при условии, что другое событие уже произошло.

Тогда условной вероятностью события А при условии события В называется

.Формальные критерии диагностики

Желательно, чтобы диагностический тест одновременно был и высокочувствительным, и высокоспецифичным. К сожалению, этого, как правило, достичь не удается, но возможен компромисс между этими двумя показателями, когда клинические данные принимают значения в некотором интервале, т.е. мы имеем дело с количественным диагностическим тестом. В подобных ситуациях «точка разделения» или «порог нормальности» иногда устанавливается произвольно. При этом если точка разделения сдвигается вправо, то ЛО увеличивается, а ЛП уменьшается. Но тогда уменьшается чувствительность и увеличивается специфичность. И наоборот. «Точка разделения» позволяет оценить чувствительность, специфичность и прогностическую ценность диагностического теста. Повышение значений точки разделения снижает чувствительность, но повышает специфичность и прогностическую ценность положительного диагностического результата. Соответственно, при уменьшении значения точки разделения влево повышаются чувствительность и прогностическая ценность отрицательного результата, но снижаются специфичность и прогностическая ценность положительного результата диагностического теста.  При диагностике инфаркта миокарда с помощью количественного диагностического теста выбор «точки разделения» целесообразно сделать в сторону увеличения диагностической чувствительности, так как велик риск летального исхода и необходимо срочно установить степень тяжести заболевания. Сдвиг «точки разделения» в сторону меньших значений целесообразно сделать для подтверждения диагноза. Например, в онкологии, когда велик риск необоснованного хирургического вмешательства.

21. Системы поддержки принятия медицинских решений. Основные компоненты систем поддержки принятия медицинских решений. Объяснить применение нейронных сетей и экспертных систем в СППР. Структура и свойства нейронных сетей. «Нейрон», компоненты «нейрона», «синапс», обучение нейросетей. Структурна экспертных систем, типичные задачи, решаемые с помощью нейросетей и экспертных систем.

Систе́ма подде́ржки приня́тия реше́ний— компьютерная автоматизированная система, целью которой является помощь людям, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности. СППР возникли в результате слияния управленческих информационных систем и систем управления базами данных.

Три компонента - основа классической струкуры СППР:

- интерфейс пользователя, который дает возможность лицу, которое имеет право принимать решения, проводить диалог с системой, используя разные программы ввода, форматы и технологии вывода;

- подсистема, предназначенная для сохранения, управления, выбора, отображения и анализа данных;

- подсистема, которая содержит набор моделей для обеспечения ответов на множество запросов пользователей, для аналитических задач.

Иску́сственные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. 1.Сбор данных для обучения; 2.Подготовка и нормализация данных; 3.Выбор топологии сети; 4.Экспериментальный подбор характеристик сети; 5.Экспериментальный подбор параметров обучения; 6.Собственно обучение; 7.Проверка адекватности обучения; 8.Корректировка параметров, окончательное обучение; 9.Вербализация сети[15] с целью дальнейшего использования.

обучение нейронных сетей - сложный и наукоемкий процесс. Алгоритмы обучения нейронных сетей имеют различные параметры и настройки, для управления которыми требуется понимание их влияния.

Си́напс — место контакта между двумя нейронами или между нейроном и получающей сигнал эффекторной клеткой. Служит для передачи нервного импульса между двумя клетками, причём в ходе синаптической передачи амплитуда и частота сигнала могут регулироваться.

программных реализациях можно видеть, что в процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Когда величина ошибки достигает нуля или приемлемого малого уровня, тренировку останавливают, а полученную нейронную сеть считают натренированной и готовой к применению на новых данных.

Применение искусственных нейронных сетей в медицине и здравоохранении. Идеальный метод диагностики должен иметь стопроцентные чувствительность и специфичность - во-первых, не пропускать ни одного действительно больного человека и, во-вторых, не пугать здоровых людей. Чтобы застраховаться, можно и нужно стараться прежде всего обеспечить стопроцентную чувствительность метода - нельзя пропускать забо-левание. Но это оборачивается, как правило, низкой специфичностью метода - у многих людей врачи подозревают заболевания, которыми на самом деле пациенты не страдают. Нейронные сети представляют собой системы, позволяющие гораздо лучше классифици-ровать данные, чем обычно используемые методы. В приложении к медицинской диагно-стике они дают возможность значительно повысить специфичность метода, не снижая его чувствительности.

Искусственные нейронные сети успешно применяются во многих направлениях медицины. Диагностика и лечение онкологических заболеваний, а также разработка но-вых медикаментозных средств несомненно представляют собой важнейшую область ис-пользования нейросетевых технологий.Известны применения нейросетей в обработке ме-дицинских изображений, мониторинге состояния пациента, анализе эффективности лече-ния, очистке показаний приборов от шумов и т.д. Экспе́ртная систе́ма — компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление.  Структура: Интерфейс пользователя, Пользователь, Интеллектуальный редактор базы знаний, Эксперт, Инженер по знаниям, Рабочая (оперативная) память, База знаний, Решатель (механизм вывода), Подсистема объяснений

22. Методы математического моделирования в медико-профилактическом деле. Математическая модель инфекционного процесса, расчет динамики. Модели взаимодействующих популяций на примере «хищник-жертва», расчет динамики систем.

Модель в широком смысле - это любой образ, аналог мысленный или установленный изображение, описание, схема, чертеж, карта и т. п. какого либо объема, процесса или явления, используемый в качестве его заменителя или представителя. Сам объект, процесс или явление называется оригиналом данной модели.

Моделирование - это исследование какого либо объекта или системы объектов путем построения и изучения их моделей. Это использование моделей для определения или уточнения характеристик и рационализации способов построения вновь конструируемых объектов.

Математические модели могут быть детерменированными и стохастическими. Детерменированные модели- это модели, в которых установлено взаимно-однозначное соответствие между переменными описывающими объект или явления.

Такой подход основан на знании механизма функционирования объектов. Часто моделируемый объект сложен и расшифровка его механизма может оказаться очень трудоемкой и длинной во времени. В этом случае поступают следующим образом: на оригинале проводят эксперименты, обрабатывают полученные результаты и, не вникая в механизм и теорию моделируемого объекта с помощью методов математической статистики и теории вероятности, устанавливают связи между переменными, описывающими объект. В этом случае получают стахостическую модель. В стахостической модели связь между переменными носит случайный характер, иногда это бывает принципиально. Воздействие огромного количества факторов, их сочетание приводит к случайному набору переменных описывающих объект или явление. По характеру режимов модель бывают статистическими и динамическими.Статистическая модель включает описание связей между основными переменными моделируемого объекта в установившемся режиме без учета изменения параметров во времени.В динамической модели описываются связи между основными переменными моделируемого объекта при переходе от одного режима к другому.

Модели бывают дискретными и непрерывными, а также смешанного типа. В непрерывных переменные принимают значения из некоторого промежутка, в дискретных переменные принимают изолированные значения.

Линейные модели- все функции и отношения, описывающие модель линейно зависят от переменных и не линейные в противном случае.

Требования,предъявляемые к моделям. Универсальность - характеризует полноту отображения моделью изучаемых свойств реального объекта. Адекватность - способность отражать нужные свойства объекта с погрешностью не выше заданной. Точность - оценивается степенью совпадения значений характеристик реального объекта и значения этих характеристик полученных с помощью моделей. Экономичность - определяется затратами ресурсов ЭВМ памяти и времени на ее реализацию и эксплуатацию.

Математические методы моделирования 1. Дифференционные уравнения 2. Вариационные исчисления  3. Клеточная автоматика 4. Нейронные сети 5. Организменные модели 5.1. Модель Фехюльста 5.2. Фармакологическая модель 5.3. Модель "хищник-жертва"

модель ифекционного процесса см фото Рассмотрим математическую модель совместного существования двух биологических видов (популяций) типа "хищник - жертва", Пусть два биологических вида совместно обитают в изолированной среде. Среда стационарна и обеспечивает в неограниченном количестве всем необходимым для жизни один из видов, который будем называть жертвой. Другой вид - хищник также находится в стационарных условиях, но питается лишь особями первого вида. например

у - число щук, х - число карасей.

Рассмотрим dx/dt - скорость изменения численности карасей. Если щук нет, то число карасей увеличивается и тем быстрее, чем больше карасей. Будем считать, что эта зависимость линейная : dx/dt =γх – σх – αху , γ – коэф естественного прироста жертвы, σ – коэф естеств смертности, α – коэф гибели жертвы при встрече с хищником. Скорость изменения dy/dt числа щук, зависит от числа щук y. Будем считать, что dy/dt = δху – βу , где β – коэф естеств смертности, δ – коэф прироста хищника, завис от числа жертв. Изменяя эти параметры и решая систему уравнений модели, можно исследовать закономерности изменения состояния экологической системы.

23. Статистические характеристики диагностических признаков и симптомов. Диагностический знак, предел нормальности. Понятие об истинных положительных и отрицательных исходах, ложных положительных и отрицательных исходах. Примеры.

24. Вероятностные методы диагностики. Теорема Бейеса. Расчёты на основе метода Байеса. Априорные и апостериорные вероятности. Поиск наиболее вероятных нозологических единиц из списка возможных вариантов.

Вероятностные методы диагностики наиболее разработаны. Они основаны на формуле Байеса:

формула 1

Пусть оцениваются два диагноза: DI - рак легкого, D2- пневмония и пусть у больного имеется комплекс симптомов S (S1,S2,S3,...,Sn)

P(D1 /S), P(D2/S) - вероятность данного заболевания при наличии симптомокомплекса S и при независимости симптомов S1, S2, S3, ..., Sn.

P(S / Di)- называется условной вероятностью данного симптомокомплекса при заболевании Di

P(S / Di) = P(S1/D1) P(S2/D1) P(S3/D1), ..., где P(S1/D1), P(S2/D1), ...- условные вероятности отдельных симптомов, по отношению к данному диагнозу и находятся в медицинской памяти, содержащейся в ЭВМ. Они могут быть определены статистически, а медицинскую память можно представить в виде матрицы.

Таблица1

В формуле Байеса кроме условной вероятности входит P(Di), которую называют АПРИОРНОЙ ВЕРОЯТНОСТЬЮ некоторого заболевания Di. Она характеризует распространенность заболевания в данной группе населения. Априорной она называется потому, что уже известна до получения симптомокомплекса данного больного. Смысл ее состоит в том, что P(Di) не постоянна и зависит от географических, сезонных, эпидемиологических и других факторов, которые должны быть учтены при постановке диагноза.

формула 2

mi - число больных с данным заболеванием,

n - общее число обследованных больных.

Знаменатель формулы представляет полную вероятность наличия симптомокомплекса при всех болезнях, т.е. сумма произведений априорной вероятности каждой из болезней на условную вероятность симптомокомплекса при каждой из этих болезней.

формула 3

Он входит в формулу Байеса для нормировки, т.е. чтобы получающиеся вероятности были выражены в процентах. Болезнь, имеющая наибольшую вероятность, при наличии данного симптомокомплекса и будет рассматриваться как искомый диагноз.

25. Информационные системы в управлении лечебно-профилактическим учреждением. Понятие об электронной истории болезни (ЭИБ) (или о электронной карте пациента (ЭКП)), как о медицинской информационной системе. Укажите концептуальную основу ЭИБ.

Медицинская информационная система (МИС) - комплексная автоматизированная информационная система, в которой объединены электронные медицинские записи о пациентах, данные медицинских исследований в цифровой форме, данные мониторинга состояния пациента с медицинских приборов, средства общения между сотрудниками, финансовая и административная информация.

Особенностью МИС является переход от локальной работы с медицинской информацией к интегрированной системе, где все данные, проходящие через учреждение, доступны из единой информационной среды. При этом полностью реализуется безбумажная технология, однако, сохраняется возможность получения "твёрдой копии" любого документа. Использование современных медицинских технологий позволяет повысить качество оказания медицинских услуг, оптимизировать управление различными структурными медицинскими подразделениями и создать основу выхода на мировой уровень медицинского обслуживания.

Электронная история болезни – это комплекс программно-аппаратных средств и организационных решений, позволяющих полностью отказаться от использования неэлектронных носителей информации в лечебно-диагностическом процессе.

Электронная история болезни имеет несколько групп пользователей, преследующих разные цели: · медицинский персонал – для этих пользователей прежде всего важен оперативный доступ к сведениям о пациентах, который может обеспечить ЭИБ;· медицинская администрация – для этой группы на первый план выходит возможность оперативного контроля и управления лечебным процессом, оперативной получение достоверных статистических требований;· научные сотрудники ищут в ЭИБ средство для систематического сбора и анализа данных для научных исследований;· сотрудники планово-экономических служб хотят оперативно отслеживать материальные и финансовые потоки, связанные с лечебно-диагностическим процессом

Бланк истории болезни позволяет хранить следующую информацию: · Данные о поступлении, включая диагноз, дата и время поступления· Коды отделения поступления, признаки для учета платных госпитализаций

· Заключительный клинический диагноз и дата выписки· Исход и другие статистические поля

· Информацию и выполненных посещениях и услугах

Указанная информация хранится в главном документе электронной истории болезни - ее первичном медицинском документе. В саму электронную историю болезни помещаются все остальные документы - дневниковые записи, назначенные диеты, листы назначений, бланки заказа лабораторных исследований (и соответственно их результаты), документы диагностической службы, записи о выполненных лечебных манипуляциях - электрофототерапии, ЛФК, массаже и многое другое. В автоматическом режиме заполняются эпикризы, выписки из истории болезни, различные справки и т.д.

Концептуальная основа компьютеризированной или электрон­ной истории болезни заключается в следующих принципах: 1) единство информации о пациенте, предполагающее одно­кратный ввод данных в систему; 2) доступность информации о больных для просмотра всеми участниками ЛДП в любой момент времени в любом месте (с уче­том ограничений по принципам конфиденциальности на основе санкционированных прав доступа) при одновременной защищен­ности от внесения изменений 3) единые классификаторы (периодически обновляемые); 4) автоматическое вычисление производных показателей (дли­тельность госпитализации, количество дней до и после операции, опасность инфекционных осложнений, наличие шока, необходи­мый объем инфузионной терапии и др.) после введения первич­ной информации; 5) технологически функциональное включение СППР; 6) диспетчеризация (управление) в вопросах обследования пациентов.

26. Дайте определение информационной медицинской системе (ИМС). Для чего предназначены ИМС? В рамках классификации ИМС, определите, что такое медико-технологические системы, какие имеются полсистемы?

Информационные процессы присутствуют во всех областях медицины и здравоохранения. Важнейшей составляющей информационных процессов являются информационные потоки. От их упорядоченности зависит четкость функционирования отрасли в целом и эффективность управления ею. Для работы с информационными потоками предназначены информационные системы.

Информационная система – организованно упорядоченная совокупность документов (массивов документов) и информационных технологий, в том числе с использованием средств вычислительной техники и связи, реализующих информационные процессы.

Основная цель информационных систем медицинского назначения состоит в информационной поддержке разнообразных задач оказания медицинской помощи населению, управления медицинскими учреждениями и информационном обеспечении самой системы здравоохранения. Самостоятельной задачей является информационная поддержка научных исследований, учебной и аттестационной работы.

Медико-технологические МИС-Эти системы осуществляют поддержку деятельности медицинских работников специализированных медицинских служб на федеральном уровне, предусматривают обеспечение преемственности на всех этапах и уровнях деятельности, ведение государственных регистров.

В их число входят МИС для отдельных направлений: скорой медицинской помощи; спе­циализированной медицинской помощи, включая государственные регистры (фтизиатрия, психиатрия, инфекционные болезни и др.); лекарственного обеспечения.