Výběr relevantních pravidel pro podporu klinického rozhodování

0474079 - ÚI 2018 RIV CZ cze K - Konferenční příspěvek (tuzemská konf.)
Kalina, Jan - Zvárová, Jana
Výběr relevantních pravidel pro podporu klinického rozhodování.
[Selection of Relevant Rules Within Clinical Decision Support.]
MEDSOFT 2017. Praha: Creative Connections s.r.o., 2017, s. 44-49. ISBN 978-80-86742-47-2. ISSN 1803-8115.
[MEDSOFT 2017. Roztoky u Prahy (CZ), 21.03.2017-22.03.2017]
Grant CEP: GA ČR GA17-01251S
Institucionální podpora: RVO:67985807
Klíčová slova: podpora rozhodování * mnohorozměrná statistika * extrakce pravidel * klasifikační analýza * redukce dimensionality
Obor OECD: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Systémy pro podporu klinického rozhodování jsou důležitými telemedicínskými nástroji se schopností pomáhat lékařům při procesu rozhodování při stanovení diagnózy, terapie či prognózy pacientů. Navrhli a implementovali jsme prototyp systému pro podporu diagnostického rozhodování, který má podobu internetové klasifikační služby. Specifikem tohoto systému je sofistikovaná statistická komponenta, která umožňuje pracovat i s velkým počtem příznaků. Optimalizuje totiž výběr těch příznaků, které jsou nejdůležitější pro určení diagnózy. Její chování jsme ověřili při analýze dat genových expresí z kardiovaskulární genetické studie. Článek diskutuje principy mnohorozměrného statistického uvažování a ukazuje obtíže analýzy vysoce dimenzionálních dat, kdy počet pozorovaných proměnných (příznaků) převyšuje počet pozorování (pacientů).

Clinical decision support systems represent important telemedicine tools with the ability to help physicians within the decision process leading to determining diagnosis, therapy or prognosis of patients. We proposed and implemented a prototype of a clinical decision support system, which has the form of an internet classification service. A specific property of this system is a sophisticated statistical component, which allows to handle also a large number of symptoms and signs. It namely optimizes the selection of such symptoms and signs which are the most relevant for determining the diagnosis. The performance of the prototype was verified on an analysis of gene expression data from a cardiovascular genetic study. The paper discusses principles of multivariate statistical thinking and reveals challenges of analyzing high-dimensional data with the number of observed variables (symptoms and signs) largely exceeding the number of observations (patients).
Trvalý link: http://hdl.handle.net/11104/0271186