Model informatycznego modułu wspomagania decyzyjnego ustalania wstępnej diagnozy medycznej

• Autorzy: Ameljańczyk A.

Warianty tytułu

EN

The model of an information module for decision support determining the initial medical diagnosis

• Języki publikacji: PL

Abstrakty

PL

Głównym rezultatem pracy jest model informatycznego modułu wspomagania decyzji w zakresie ustalania wstępnej diagnozy medycznej. Moduł ten na podstawie danych medycznych, symptomów chorobowych oraz czynników ryzyka pozwala generować zbiór jednostek chorobowych, od których nie ma bardziej prawdopodobnych (zbiór Pareto). Dodatkowo umożliwia dokonanie rankingu jednostek chorobowych ze względu na odległość od tzw. punktu idealnego w przestrzeni chorób uwzględnionych w repozytorium.

EN

The main result of the work is a model of an information module for decision support in determining the initial medical diagnosis. This module is based on medical data, symptoms of disease and risk factors that generale a set of diseases from which there is no morę probable (Pareto set). In addition, allows a ranking of diseases due to the distance from the so-called ideał point in the space of diseases included in the repository.

Słowa kluczowe

PL

wstępna diagnoza medyczna; symptomy chorobowe; czynniki ryzyka; optymalizacja wielokryterialna; zbiór Pareto; punkt idealny

EN

initial medical diagnosis; symptoms of disease; risk factors; multicriteria optimization; Pareto set; ideal point

• Wydawca: Institute of Computer and Information Systems, Faculty of Cybernetics, Military University of Technology
• Czasopismo: Biuletyn Instytutu Systemów Informatycznych
• Rocznik: 2010
• Tom: nr 5
• Strony: 7--12
• Opis fizyczny: Bibliogr. 28 poz., wykr.

Twórcy

autor

Ameljańczyk A.

• Instytut Systemów Informatycznych. Wydział Cybernetyki WAT, ul. S. Kaliskiego 2, 00-908 Warszawa,

Bibliografia

• [1] M. Albin, Fuzzy sets and their applications to medical diagnosis, Berkeley, 1975.
• [2] M. Allan, Crash Course – wywiad i badania przedmiotowe, Elsevier Urban & Partner, Wrocław, 2005.
• [3] A. Ameljańczyk, Optymalizacja wielokryterialna w problemach sterowania i zarządzania, Ossolineum, 1984.
• [4] A. Ameljańczyk, „Analiza specyfiki Komputerowych Systemów Wspomagania Decyzji Medycznych w kontekście modelowania i algorytmizacji procesów decyzyjnych”, I Krajowa Konferencja „Systemy Komputerowe i Teleinformatyczne w Służbie Zdrowia”, Warszawa, 2009.
• [5] A. Ameljańczyk, „Matematyczny model przestrzeni życia w komputerowym systemie wspomagania decyzji medycznych”, I Krajowa Konferencja „Systemy Komputerowe i Teleinformatyczne w Służbie Zdrowia”, Warszawa, 2009.
• [6] A. Ameljańczyk, „Matematyczne aspekty modelowania pajęczynowego obiektów”, Biuletyn ISI, Nr 4/2009.
• [7] A. Ameljańczyk, „O pewnej koncepcji modelowania repozytorium medycznego”, POIG.01.03.01-00-145/08/2009, WAT, Warszawa, kwiecień, 2009.
• [8] A. Ameljańczyk, „Analiza wpływu przyjętej koncepcji modelowania systemu wspomagania decyzji medycznych na sposób generowania ścieżek klinicznych”, Biuletyn ISI, Nr 4/2009.
• [9] A. Ameljańczyk, „Wielokryterialne mechanizmy wspomagania podejmowania decyzji klinicznych w modelu repozytorium w oparciu o wzorce”, Biuletyn ISI, Nr 5/2010.
• [10] ANSI HL7 , http://www.hl7.org.
• [11] H.L.C. Beynon i inni, „Interpretacja danych klinicznych w pytaniach i opisach przypadków”, Elsevier Urban & Partner, Wrocław, 2007.
• [12] J. Błaszczykowski, K. Krawiec, R. Słowiński, J. Stefanowski, Sz. Wilk, Wspomaganie decyzji i komunikacji w systemach telemedycznych, Poznań, 2006.
• [13] P. Długosz, „Koncepcja modułu wspomagania decyzji klinicznych w module repozytorium z wykorzystaniem metod teorii zbiorów przybliżonych”, POIG. 01.03.01-00-145/08/2009, WAT, Warszawa, 2009.
• [14] R. Douglas Collins, Algorytmy interpretacji objawów klinicznych, Wydawnictwo Medipage, Warszawa, 2010.
• [15] F. Kokot, Diagnostyka różnicowa objawów chorobowych, WL PZWL, Warszawa, 2007.
• [16] F. Kokot, S. Kokot, Badania laboratoryjne – zakres norm i interpretacja, WL PZWL, Warszawa, 2002.
• [17] J. Makal, „System ekspertowy do wspomagania diagnozy łagodnego przerostu prostaty”, Pomiary Automatyka i Robotyka, 7-8, 2004.
• [18] „Medyczne Systemy Ekspertowe”, http://WWW.computer.privateweb.at/judith/links3.htm.
• [19] A. Oniśko i inni, „HEPAR I HEPAR II – komputerowe systemy wspomagania diagnozowania chorób wątroby”, XII Konferencja Biocybernetyki i Inżynierii Biomedycznej, Warszawa, 2001.
• [20] Z. Pawlak, „Rough Sets”, International Journal of Computer and Information Sciences, vol.11. (341-356), 1965.
• [21] Z. Pawlak, Systemy informacyjne – podstawy teoretyczne, WNT, Warszawa, 1983.
• [22] Resultmaker, „Workflow patterns of the On line Consultant”, version 1.1, Kopenhaga, 2006.
• [23] E. Sanchez, „Inverses of fuzzy relations. Application to possibility distributions and medical diagnosis”, Proc. IEEE Conf. Decision and Control, USA, 1977.
• [24] E. Sanchez, „Medical diagnosis and composite fuzzy relations”, Advances in fuzzy sets theory and applications, North-Holland, 1979.
• [25] W. Siegenthaler, Rozpoznanie różnicowe w medycynie wewnętrznej, Tom 1-2, Medipage, Warszawa, 2009.
• [26] P. Smets, „Medical diagnosis fuzzy sets and degrees of belief”, Fuzzy sets and Systems, vol. 5, 1981.
• [27] The Merck Manual, Objawy kliniczne, Elsevier Urban & Partner, Wrocław, 2010.
• [28] P. L. Yu, G. Leitmann, Compromise solutions, domination structures and Salukwadze’s solution, JOTA, vol. 13, 1974.