Fuzzy sets in modeling of patient’s disease states

• Autorzy: Ameljańczyk Andrzej

Identyfikatory

DOI

10.5604/01.3001.0013.6596

Warianty tytułu

PL

Zbiory rozmyte w modelowaniu stanów chorobowych pacjenta

• Języki publikacji: EN

Abstrakty

EN

The paper concerns the mathematical modeling of patient’s disease states and disease unit patterns for the needs of algorithms supporting medical decisions. Due to the specificity of medical data and assessments in the modeling of patient’s disease states as well as diseases, the fuzzy set methodology was used. The paper presents a number of new characteristics of fuzzy sets allowing to assess the quality of medical diagnosis. In addition, a definition of a multi-aspect fuzzy set is presented, which may be useful in supporting medical diagnostics based on multi-criteria similarity models. The presented results can be used in the construction of algorithms for assessing the patient's state of health and mainly in the construction of algorithms for supporting diagnostic processes.

PL

Praca dotyczy modelowania matematycznego stanów chorobowych pacjenta oraz wzorców jednostek chorobowych na potrzeby algorytmów wspomagania decyzji medycznych. Z uwagi na specyfikę danych i ocen medycznych w modelowaniu stanów chorobowych pacjenta, a także chorób zastosowano metodologię zbiorów rozmytych. W pracy przedstawiono wiele nowych charakterystyk zbiorów rozmytych pozwalających ocenić jakość uzyskanej diagnozy. Dodatkowo zaprezentowano definicję wieloaspektowego zbioru rozmytego, która może być przydatna we wspomaganiu diagnostyki medycznej, opartej na wielokryterialnych modelach podobieństwa. Uzyskane wyniki mogą być wykorzystane w budowie algorytmów oceniania stanu zdrowia pacjenta, a głównie w budowie algorytmów wspomagania procesów diagnostycznych.

Słowa kluczowe

EN

fuzzy set; multi-aspect fuzzy set; fuzzy sets similarity; fuzzy pattern of disease unit; medical diagnosis

PL

wieloaspektowy zbiór rozmyty; podobieństwo zbiorów rozmytych; rozmyty wzorzec jednostki chorobowej; diagnoza medyczna

• Wydawca: Institute of Computer and Information Systems, Faculty of Cybernetics, Military University of Technology
• Czasopismo: Computer Science and Mathematical Modelling
• Rocznik: 2019
• Tom: No. 9
• Strony: 5--11
• Opis fizyczny: Bibliogr. 36 poz., tab.

Twórcy

autor

Ameljańczyk Andrzej

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

Bibliografia

• [1] Albin M., Fuzzy sets and their applications to medical diagnosis, Berkeley, 1975.
• [2] Allan M., Crash Course – wywiad i badania przedmiotowe, Elsevier Urban & Partner, Wrocław 2005.
• [3] Ameljańczyk A., Optymalizacja wielokryterialna w problemach sterowania i zarządzania, Ossolineum, 1984.
• [4] Ameljańczyk A., “Multicriteria similarity models in medical diagnostics support algorithms”, Bio-Algorithms and Med-Systems, Vol. 21, No. 1, 2013.
• [5] Ameljańczyk A., “Metryki Minkowskiego w tworzeniu uniwersalnych algorytmów rankingowych”, Biuletyn WAT, Vol. LXIII, Nr 2, 324–336 (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, 11–1 (2015).
• [7] Ameljańczyk A., “Analiza wpływu przyjętej koncepcji modelowania systemu wspomagania decyzji medycznych na sposób generowania ścieżek klinicznych”, Biuletyn Instytutu Systemów Informatycznych, Nr 4, 1–8 (2009).
• [8] Ameljańczyk A., “Matematyczne aspekty modelowania pajęczynowego obiektów”, Biuletyn Instytutu Systemów Informatycznych, Nr 4, 9–16 (2009).
• [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., “Zbiory rozmyte w procesach wspomagania diagnostyki medycznej”, Konferencja Naukowa z okazji 25-lecia Instytutu Systemów Informatycznych Wydziału Cybernetyki WAT, “Systemy informatyczne na potrzeby bezpieczeństwa państwa oraz gospodarki narodowej: analiza, modelowanie, projektowanie, integracja”, Warszawa, 18 października 2019.
• [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 A., Ameljańczyk T., “Determination of thresholds ranking functions applied in medical diagnostic support systems”, Journal of Health Policy and Outcomes Research, No. 2, 4–12 (2015).
• [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, 215–232 (2004).
• [14] Barone de Medeiros J.I., Machado M., “A fuzzy Inference System to Support Medical Diagnosis in Real Time”, Procedia Computer Science 122, 167–173 (2017).
• [15] Bishop C.M., Pattern recognition and machine learning, Springer, 2007.
• [16] Collins R., Algorytmy interpretacji objawów klinicznych, Medipage, Warszawa 2010.
• [17] Kokot F., Diagnostyka różnicowa objawów chorobowych, WL PZWL, Warszawa, 2007.
• [18] Kokot F., Kokot S., Badania laboratoryjne – zakres norm i interpretacja, WL PZWL, Warszawa 2002.
• [19] Makal J., “System ekspertowy do wspomagania diagnozy łagodnego przerostu prostaty”, Pomiary Automatyka i Robotyka, Nr 7-8, 193–196 (2004).
• [20] Medyczne Systemy Ekspertowe, http://www.computer.privateweb.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 (1965).
• [23] Pawlak Z., Systemy informacyjne – podstawy teoretyczne, WNT, Warszawa 1983.
• [24] Resultmaker, „Workflow patterns of the Online Consultant”, ver. 1.1, Kopenhaga 2006.
• [25] Sanchez E., “Inverses of fuzzy relations. Application to possibility distributions and medical diagnosis”, Proc. IEEE Conf. Decision and Control, USA 1977.
• [26] Sanchez E., “Medical diagnosis and composite fuzzy relations”, Advances in fuzzy sets theory and applications, North-Holland 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, 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, Charles C. Tappert, “A Survey of Binary Similarity and Distance Measures”, Systemics, Cybernetics and Informatics, Vol. 8, No. 1, 43–48 (2006).
• [31] The Merck Manual: Objawy kliniczne: Praktyczny przewodnik diagnostyki i terapii, Elsevier Urban & Partner, Wrocław 2010.
• [32] Wechsler H., “Applications of fuzzy logic to medical diagnosis”, Proc. Symp. on Multiple – Valned Logic, Logan 1975.
• [33] Yu P.L., Leitmann G., “Compromise solutions, domination structures and Salukwadze’s solution”, JOTA, Vol. 13 (1974).
• [34] Tversky A., “Features of similarity”, Psychological Review, 84(4), 327–352 (1977).
• [35] Zadeh L.A., “Fuzzy Sets”, Information and Control, Vol. 8, 338–353 (1965).
• [36] Zwick R., Carlstein E., “Measures of similarity among fuzzy concepts”, International Journal of Approximate Reasoning, 1(2), 221–242 (1987).

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).