Ponad 7000 publikacji medycznych!
Statystyki za 2021 rok:
odsłony: 8 805 378
Artykuły w Czytelni Medycznej o SARS-CoV-2/Covid-19

Poni┼╝ej zamie┼Ťcili┼Ťmy fragment artyku┼éu. Informacja nt. dost─Öpu do pe┼énej tre┼Ťci artyku┼éu
┬ę Borgis - Balneologia Polska 1-2/2005, s. 65-67
Aleksander G├│rny, Magdalena Tkacz
Komputerowe wspomaganie badań medycznych
Decision Support Systems In Health Resort Therapy
z Katedry i Zak┼éadu Bioniki ┼Ül─ůskiej Akademii Medycznej w Sosnowcu
Kierownik Katedry: dr hab. n. techn. Ewaryst Tkacz
Streszczenie
W artykule przedstawiono propozycje zastosowania systemu wspomagania decyzji mog─ůce usprawni─ç proces doboru odpowiedniej lokalizacji sanatorium oraz doboru w┼éa┼Ťciwych dla pacjenta zabieg├│w za pomoc─ů zaimplementowanego systemu doradczego. Zaproponowany system doradczy wykorzystuje metod─Ö reprezentacji wiedzy znan─ů jako tablice decyzyjne. Taki rodzaj systemu informatycznego mo┼╝e zosta─ç zintegrowany z ju┼╝ dzia┼éaj─ůcymi systemami informatycznymi uzdrowiska w celu zwi─Ökszenia wydajno┼Ťci w planowaniu czasu zabieg├│w terapeutycznych dla kuracjuszy i og├│lnie – w sensie wspomagania organizacyjnego uzdrowiska. Przewidziano r├│wnie┼╝ mo┼╝liwo┼Ť─ç wspomagania decyzji dotycz─ůcej wyboru konkretnego uzdrowiska w oparciu o symptomy choroby lub o wyniki bada┼ä. We wst─Öpnej cz─Ö┼Ťci artyku┼éu przedstawiono kr├│tkie informacje dotycz─ůce zasadno┼Ťci opracowywania, projektowania oraz implementacji systemu wspomagania decyzji. W artykule zawarte zosta┼éy tak┼╝e wst─Öpne informacje dotycz─ůce podstaw teoretycznych zwi─ůzanych z systemami wspomagania decyzji.



WPROWADZENIE
W chwili obecnej zastosowanie komputer├│w jest widoczne wsz─Ödzie, pocz─ůwszy od zwyk┼éych kas fiskalnych w sklepach, poprzez zautomatyzowanie przetwarzania danych w urz─Ödach – bazy danych, po r├│┼╝ne, wysokospecjalizowane zagadnienia zwi─ůzane z analiz─ů i przetwarzaniem danych. Jednym z dzia┼é├│w, w kt├│rym przetwarzanie takie jest wykonywane jest medycyna. W artykule tym zostan─ů przedstawione pewne rozwi─ůzania z zakresu informatyki stosowane obecnie w medycynie – lub takie, nad kt├│rymi aktualnie prowadzone s─ů prace badawcze.
BAZY DANYCH, PRZETWARZANIE DANYCH
W ostatnich latach mo┼╝liwo┼Ťci przeprowadzania diagnostyki – znacznie wzros┼éy. Pocz─ůwszy od wywiadu, poprzez badania analityczne – laboratoryjne a┼╝ do zaawansowanych metod diagnostyki obrazowej. Ilo┼Ť─ç gromadzonych w ten spos├│b danych jest bardzo du┼╝a. Problemem nie jest w chwili obecnej sam dost─Öp do informacji, ale raczej to, w jaki spos├│b szybko dotrze─ç do potrzebnych danych. Do samego przechowywania danych opracowano ju┼╝ niezawodne i skalowalne rozwi─ůzania – s─ů to system pozwalaj─ůce na obs┼éug─Ö du┼╝ych baz danych. Do obs┼éugi baz danych opracowany jest specjalny j─Özyk zapyta┼ä baz danych SQL (Structured Query Language), kt├│ry jest de facto standardem w systemach bazodanowych. W przypadku du┼╝ych ilo┼Ťci danych, z kt├│rych b─Ödzie trzeba wykonywa─ç z┼éo┼╝one przekroje, analizy, raporty i zestawienia m├│wi si─Ö o hurtowniach danych (Data Warehouse) np. (3), kt├│re s─ů klasyfikowane w kategoriach system├│w typu Business Intelligence. W przypadku zaawansowanych analiz wymagaj─ůcych poszukiwa┼ä zale┼╝no┼Ťci pomi─Ödzy zawartymi w bazie danymi stosuje si─Ö z kolei metody zg┼é─Öbiania i eksploracji danych (Data Mining and Exploration) (2), (1). Du┼╝e bazy danych wymagaj─ůce du┼╝ych mocy obliczeniowych uruchamiane s─ů z kolei na maszynach wieloprocesorowych, je┼Ťli dodatkowo wymagane jest nieprzerwane, szybkie i niezawodne dzia┼éanie takiej bazy stosowane s─ů systemy zwane klastrami. Zasad─Ö dzia┼éania systemu klastra przedstawia rycina 1.
Ryc. 1. Zasada działania bazy danych uruchomionej na klastrze serwerów.
ROZPROSZONE BAZY DANYCH
W przypadku prowadzenia bada┼ä w r├│┼╝nych o┼Ťrodkach mo┼╝na stosowa─ç rozwi─ůzania polegaj─ůce na okresowym przesy┼éaniu cz─ůstkowych danych do jednej, centralnej bazy i udost─Öpnianiu jej zasob├│w poszczeg├│lnym jednostkom. Rozwi─ůzanie takie jest jednak do┼Ť─ç kosztowne, mo┼╝e by─ç zastosowane w przypadku wi─Ökszych jednostek badawczych – np. Uniwersytet├│w. W przypadku jednostek mniejszych, pracuj─ůcych nad podobn─ů tematyk─ů mo┼╝liwe jest zastosowanie innego rozwi─ůzania – ta┼äszego i przez to bardziej dost─Öpnego dla mniejszych jednostek – mo┼╝liwe jest nawet wsp├│┼édzielenie informacji pomi─Ödzy komputerami dw├│ch badaczy w celu wymiany informacji. Takim ta┼äszym rozwi─ůzaniem jest b─Öd─ůcy w trakcie opracowywania protok├│┼é DAP (Data Access Protocol). Bli┼╝sze szczeg├│┼éy mo┼╝na znale┼║─ç na stronach: www.opendap.org i www.unidata.ucar.edu/packages/dods/design/dap-rfc-html/ (4), (5). Cz─Ö┼Ťciowo dzia┼éaj─ůcym – nadal rozwijana implementacja protoko┼éu jest NVDOS (National Virtual Ocean Data System). Rozwi─ůzanie to jest o tyle godne uwagi, ┼╝e pozwala na wymian─Ö informacji niezale┼╝nie od platformy na kt├│rej zbudowana zosta┼éa ┼║r├│d┼éowa baza danych oraz jest dost─Öpne jako oprogramowanie darmowe, na zasadach rozwi─ůza┼ä Open Source.
WYSZUKIWANIE INFORMACJI
Je┼Ťli ju┼╝ wiadomo w jaki spos├│b s─ů przechowywane i przetwarzane informacje w bazach danych nale┼╝a┼éoby po┼Ťwi─Öci─ç par─Ö s┼é├│w zagadnieniom przeszukiwania baz danych, metod i algorytm├│w pozwalaj─ůcych na szybkie – i co najistotniejsze – trafnych odpowiedzi na zapytanie skierowane do bazy. Jest to zagadnienie do┼Ť─ç z┼éo┼╝one i zar├│wno w wielu naukowych o┼Ťrodkach informatycznych na ca┼éym ┼Ťwiecie jak i w laboratoriach badawczych firm komercyjnych prowadzone s─ů badania nad metodami zapisu danych w bazach, ich indeksowaniu oraz nad algorytmami przeszukiwania pozwalaj─ůcymi na uzyskanie najtrafniejszych wynik├│w. W zale┼╝no┼Ťci od zapytania klienta wyr├│┼╝nia si─Ö (6) r├│┼╝ne typy zada┼ä:
– Klasyfikacja.
– Analiza skupie┼ä.
– Predykcja numeryczna.

Powy┼╝ej zamie┼Ťcili┼Ťmy fragment artyku┼éu, do kt├│rego mo┼╝esz uzyska─ç pe┼ény dost─Öp.
Mam kod dost─Öpu
  • Aby uzyska─ç p┼éatny dost─Öp do pe┼énej tre┼Ťci powy┼╝szego artyku┼éu albo wszystkich artyku┼é├│w (w zale┼╝no┼Ťci od wybranej opcji), nale┼╝y wprowadzi─ç kod.
  • Wprowadzaj─ůc kod, akceptuj─ů Pa┼ästwo tre┼Ť─ç Regulaminu oraz potwierdzaj─ů zapoznanie si─Ö z nim.
  • Aby kupi─ç kod prosz─Ö skorzysta─ç z jednej z poni┼╝szych opcji.

Opcja #1

19 zł

Wybieram
  • dost─Öp do tego artyku┼éu
  • dost─Öp na 7 dni

uzyskany kod musi być wprowadzony na stronie artykułu, do którego został wykupiony

Opcja #2

49 zł

Wybieram
  • dost─Öp do tego i pozosta┼éych ponad 7000 artyku┼é├│w
  • dost─Öp na 30 dni
  • najpopularniejsza opcja

Opcja #3

119 zł

Wybieram
  • dost─Öp do tego i pozosta┼éych ponad 7000 artyku┼é├│w
  • dost─Öp na 90 dni
  • oszcz─Ödzasz 28 z┼é
Pi┼Ťmiennictwo
1. Guo Y., Grossman R.: High performance data mining. Scaling Algorithms, Applications and Systems. Kluwer Academic Publishers 2002; p.111.
2. Hand D. et al.: Principles of Data Mining. The MIT Press, 2001 p. 546.
3. http://www.cdc.gov/nchs/datawh.htm (National Center for Health Statistics - Data Warehouse)
4. http://www.opendap.org/
5. http://www.unidata.ucar.edu/packages/dods/design/dap-rfc-html/
6. Klopotek M.: Konstrukcja inteligentnych wyszukiwarek www. w: Systemy wspomagania decyzji, A. Wakulicz-Deja (red.), Uniwersytet ┼Ül─ůski, Sosnowiec 2002; strony od 49 do 57.
7. Korbicz J. i wsp.: (1994) Sztuczne sieci neuronowe. Podstawy i zastosowanie. Akademicka Oficyna Wydawnicza PLJ, Warszawa; s.255.
8. Kacprzak T., Ślot K.: (1995) Sieci neuronowe komórkowe. PWN, Warszawa-Łódź; s. 133.
9. Rutkowska D. i wsp.: (1997) Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. PWN, Warszawa-Łódź; s. 410.
10. Tadeusiewicz R.: (1993) Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa; s. 195.
11. ┼╗urada J. i wsp.: (1996) Sztuczne sieci neuronowe. PWN, Warszawa; s. 374.
Adres do korespondencji:
┼Ül─ůska Akademia Medyczna
ul. Poniatowskiego 15, 40-055 Katowice

Balneologia Polska 1-2/2005