1. UNIVERSITATEA DE MEDICINA SI FARMACIE “Victor Babeş” TIMISOARADISCIPLINA DEINFORMATICA MEDICALAwww.medinfo.umft.ro/dim

2. CURSUL 11

4. Decizia medicalăasistată de calculatorI

5. 1. Decizia medicală1.1. Direcţii • Stabilirea diagnosticului • Alegerea investigaţiilor • Optimizarea tratamentului • Decizii manageriale

6. a) Stabilirea diagnosticului • Istoric

7. b) Alegerea investigaţiilor • Investigatii scumpe sau invazive

8. c) Optimizarea tratamentului • Tratamentul tumorilor prin radiatii • Tratament medicamentos

9. d) Decizii manageriale • Planificarea si utilizarea resurselor, optimizari

10. 1.2. Clasificarea metodelor:dupa modul de reprezentare a cunostintelora) logice - simbolic 1/0 (da/nu) b) statistice - probabilitati c) euristice - propozitii

11. 1.3. Principiul metodelor de diagnostic asistat

12. 2. Metode logice2.1. Principii constructive:-Logica bivalentă ( DA / NU) -BC: baza de cunostinţe = matricea B/S: boli/simptome -date: vectorul de stare al pacientului (PAC)

13. Schemă S1 S2 S3 ...... Scor B1 1 0 1 2/8 B2 0 1 1 3/6 .… .... ............................................. PAC0 1 0 BC

14. 2.2. Tipuri de metode logice • După construcţia vectorului PAC: • A) Tabele de simptome • alegere simptome din meniu • B) Arbori de decizie • succesiune de întrebări cu răspuns Da/Nu • evitarea întrebărilor inutile • implicarea pacientilor

15. 2.3. Dezavantajele metodelor logice • nu tin cont de “importanta” unor simptome • nu pot cuantifica intensitatea simptomelor • AVANTAJ: • nu tin cont de “prevalenta” unor afectiuni

16. 3. Metode statistice • regula lui Bayes • pattern recognition

17. 3.A. Regula lui Bayesa) Baza Cun.: probabilităţile: • fiecărei boli în populaţie: p(B+) • fiecărui simptom în fiecare boală: p(S+/B+)

18. b) Tabel pt calculul p(B+/S+) (pentru fiecare pereche Boală/Simptom) S+ S - B+ a b L1 B - c d L2 C1 C2 N

19. c) Probabilitate • necondiţionată: P(B+) = L1/N • condiţionată: P(S+/B-) = c/L2

20. d) Regula lui Bayes P(S/B) x P(B) P(B/S) = P(S)

21. e) Aplicaţie P(S/B) = a/L1 P(B) = L1/N P(S) = C1/N => P(B/S) = a/C1

22. f) Pentru mai multe simptome • evenimente compuse: • “sau” - suma prob. • “şi” - produs prob. • trebuie verificat dacă sunt independente :testul c2

23. 3.B. Pattern recognition

25. 3.1 Noţiunea de pattern • Operaţiunea de recunoaştere • Definiţie pattern: Ansamblu de atribute specifice care permit clasificarea unui obiect • Puterea de discriminare a atributelor

26. 3.2. Variante de pattern recognitiona) M. Clasificării • se împart obiectele pe diferite clase • se selecteaza N atribute cu putere de discriminare • se reprezintă obiectele în spaţiul N-dimensional • se separă clasele Baza de cun.: Reprezentarea claselor intr-un spatiu N-dimensional corespunzator clasificarii • problema: cărei clase îi aparţine un nou obiect? • avantaj: similaritatea cu cazul real

27. b) Metoda grupării(clustering) • se dau multe obiecte neclasificate • se reprezintă în diverse spatii multi-dimensionale • se analizeaza daca apar grupari de puncte (clustere) • problema: se pot grupa în clase? • avantaj: relevă proprietăţi noi (existenta unor clase sau sub-clase)

29. c) Sisteme de învăţare (inteligenta artificiala) • supervizată – m. clasificării • nesupervizată – m. grupării

30. 3.3. Construcţia unui pattern • a) EXTRAGEREA ATRIBUTELOR • delimitarea claselor • definiţia funcţiei de proiectie • Metode vectoriale • analiza componentelor principale • analiza discriminantă • Metode structurale • ierarhizarea atributelor în categorii

31. 3.4. Sinteza unui clasificator • Funcţia de decizie • reguli geometrice • reguli statistice • reguli sintactice

32. Sfârşit