Fuzzy sets in modelling patientʼs disease states in medical diagnostic support algorithms

• Autorzy: Ameljańczyk Andrzej , Ameljańczyk Tomasz

Identyfikatory

DOI

10.5604/01.3001.0054.1486

Warianty tytułu

PL

Zbiory rozmyte w modelowaniu stanów chorobowych pacjenta w algorytmach wsparcia diagnostyki medycznej

• Języki publikacji: EN

Abstrakty

EN

The article presents the concept of using fuzzy sets methodology in modelling patientʼs disease states for preliminary medical diagnosis. The preliminary medical diagnosis is based on the identified disease symptoms. The basis of the algorithm are descriptions of the patientʼs disease status and patterns of disease entities. These patterns were defined as fuzzy sets. The paper presents simple classifiers that allow he a preliminary diagnosis based on the analysis of fuzzy sets for the use of the general practitioner.

PL

W artykule przedstawiono koncepcję wykorzystania metodologii zbiorów rozmytych w modelowaniu stanów chorobowych pacjenta w algorytmach wstępnej diagnostyki medycznej. Wstępna diagnoza lekarska opiera się na rozpoznanych objawach choroby. Podstawą algorytmu są opisy stanu chorobowego pacjenta i wzorce jednostek chorobowych. Wzorce te zostały zdefiniowane jako zbiory rozmyte. W artykule przedstawiono proste klasyfikatory, które pozwalają na wstępną diagnozę na podstawie analizy zbiorów rozmytych do użytku lekarza pierwszego kontaktu.

Słowa kluczowe

EN

fuzzy set; disease pattern; classifier; preliminary diagnosis

PL

zbiór rozmyty; wzorzec choroby; klasyfikator; diagnoza wstępna

• Wydawca: Institute of Computer and Information Systems, Faculty of Cybernetics, Military University of Technology
• Czasopismo: Computer Science and Mathematical Modelling
• Rocznik: 2022
• Tom: No. 15-16
• Strony: 45--51
• Opis fizyczny: Bibliogr. 30 poz., tab.

Twórcy

autor

Ameljańczyk Andrzej

• Military University of Technology, Faculty of Cybernetics Institute of Computer and Information Systems, Kaliskiego St. 2, 00-908 Warsaw, Poland

• https://orcid.org/0000-0002-7845-6986

autor

Ameljańczyk Tomasz

• Military Institute of Medicine, Szaserów St.128, 01-141 Warsaw, Poland

• https://orcid.org/0000-0001-9188-8241

Bibliografia

• [1] Albin M., Fuzzy sets and their applications to medical diagnosis, University of California, Berkeley, USA, 1975.
• [2] Allan M., Spencer J., Crash Course - wywiad i badania przedmiotowe, Elsevier Urban & Partner, Wrocław 2005.
• [3] Ameljańczyk A., Optymalizacja wielokryterialna w problemach sterowania i zarządzania, Ossolineum, Wrocław 1984.
• [4] Ameljańczyk A., „Multicriteria similarity models in medical diagnostics support algorithms”, Bio-Algorithms and Med-Systems, Vol. 9, No. 1, 1-7 (2013).
• [5] Ameljańczyk A., „Metryki Minkowskiego w tworzeniu uniwersalnych algorytmów rankingowych”, Biuletyn WAT, Vol. LXIII, Nr 2, 29-44 (2014).
• [6] Ameljańczyk A., „Property analysis of multi-label classifiers in the example of determining the initial medical diagnosis”, Computer Science and Mathematical Modelling, No. 1, 11-16 (2015).
• [7] Ameljańczyk A., „Analiza wpływu przyjętej koncepcji modelowania systemu wspomagania decyzji medycznych na sposób generowania ścieżek klinicznych”, Bliuletyn Instytutu Systemów Informatycznych, Nr 4, 1-8 (2009).
• [8] Ameljańczyk A., „Fuzzy sets in modeling of patient’ disease states”, Computer Science and Mathematical Modelling, No. 9, 1-7 (2019).
• [9] Ameljańczyk A., „Pareto filter in the process of multi-label classifier synthesis in medical diagnostics support algorithms”, Computer Science and Mathematical Modelling, No. 1, 3-10 (2015).
• [10] Ameljańczyk A., Długosz P., „Properties of the Algorithm for Determining an Initial Medical Diagnosis Based on a Two-Criteria Similarity Model”, Biuletyn Instytutu Systemów Informatycznych, Nr 8, 9-16, (2011).
• [11] Ameljańczyk A., „Wielokryterialne mechanizmy wspomagania podejmowania decyzji klinicznych w modelu repozytorium w oparciu o wzorce”, POIG.01.03.01-00-145/08/2009, WAT, Warszawa 2009.
• [12] Ameljańczyk T., Ameljańczyk A., „The problem of thresholds determination in ranking classifiers applied in medical diagnostic”, Journal of Health Policy and Outcomes Research, Vol. 9(1), 20-29 (2016).
• [13] Acid S., Campos L. M., „A comparison of learning algorithms for Bayesian Networks: a case study based on data from an emergency medical service”, Artificial Intelligence in Medicine, 30(3), 215-232 (2004).
• [14] Błaszczykowski J., Krawiec K., Słowiński R., Stefanowski J., Wilk Sz., Wspomaganie decyzji i komunikacji w systemach telemedycznych, Politechnika Poznańska, Poznań 2006.
• [15] Bishop C.M., Pattern recognition and machine learning, Springer, 2006.
• [16] Collins R.D., Algorytmy interpretacji objawów klinicznych, Medipage, Warszawa 2010.
• [17] Kokot F., Diagnostyka różnicowa objawów chorobowych, PZWL, Warszawa 2007.
• [18] Kokot F., Hyla-Klekot L., Kokot S., Badania laboratoryjne: Zakres norm i interpretacja, PZWL, Warszawa 2011.
• [19] Makal J., Nazarkiewicz A., Oniśko A., Orzechowski P., „System ekspertowy do wspomagania diagnozy łagodnego przerostu prostaty”, Pomiary Automatyka i Robotyka, 7(7-8), 193-196 (2004).
• [20] Medyczne Systemy Ekspertowe, http://www.computer.priveteweb.at/judith/links3.htm.
• [21] Oniśko A. i inni, „HEPAR I HEPAR II - komputerowe systemy wspomagania diagnozowania chorób wątroby”, XII Konferencja Biocybernetyki i Inżynierii Biomedycznej, Warszawa 2001.
• [22] Pawlak Z., „Rough Sets”, International Journal of Computer and Information Sciences, Vol. 11, 341-356 (1982).
• [23] Pawlak Z., Systemy informacyjne. Podstawy teoretyczne, WNT, Warszawa 1983.
• [24] Resultmaker, „Workflow patterns of the Online Consultant”, version 1.1, Kopenhaga 2006.
• [25] Sanchez E., „Inverses of fuzzy relations. Application to possibility distributions and medical diagnosis”, Proc. IEEE Conference Decision and Control, USA, 1977.
• [26] Sanchez E., „Medical diagnosis and composite fuzzy relations”, [in:] Advances in fuzzy sets theory and applications, M. M. Gupta, R. K. Ragade, R .R. Yager (Eds.), pp. 437-444, North-Holland Publishing Company, 1979.
• [27] Siegenthaler W., Rozpoznanie różnicowe w medycynie wewnętrznej, Tom 1-2, Medipage, Warszawa 2009.
• [28] Smets P., „Medical diagnosis: Fuzzy sets and degrees of belief”, Fuzzy sets and Systems, Vol. 5(3), 259-266 (1981).
• [29] Strawa M., „Koncepcja modułu wspomagania podejmowania decyzji klinicznych w modelu repozytorium z wykorzystaniem metod sieci bayesowskich”, POIG.01.03.01-00-145/08/2009, WAT, Warszawa 2009.
• [30] Seung-Seok Choi, Sung-Hyuk Cha, Tappert Ch. C., „A Survey of Binary Similarity and Distance Measures”, Journal of Systemics Cybernetics and Informatics, 8(1), 43-48 (2010).