Анализ и обработка
жүктеу/скачать 195 Kb.
|
|
АНАЛИЗ И ОБРАБОТКА МЕДИКО-БИОЛОГИЧЕСКОЙ ИНФОРМАЦИИ Введение Характерной особенностью математизации и компьютеризации медицины и биологии в наши дни является стремительный рост спроса на такие методы обработки эмпирического материала, которые обеспечивают комплексный подход к познанию живых организмов. В таких исследованиях всегда учитывается принцип единства и взаимосвязанности явлений в природе. Одним из обязательных этапов любого биомедицинского исследования является статистический анализ данных. Продолжительное время анализ медицинских данных был уделом специалистов, так как это требовало серьезной предварительной подготовки. С появлением и совершенствованием современных программ обработки данных статистическая обработка поднялась на новый уровень. Теперь исследователь-медик может и не иметь математической подготовки. Достаточно оперировать статистическими понятиями и, самое главное, правильно выбрать метод анализа. Все осуществимо благодаря компьютеру и новейшим программам. Использование статистических методов анализа данных позволяет выявлять объективные взаимосвязи показателей биологических объектов, в частности живого организма, в условиях присутствия случайных факторов и делать на их основе обоснованные выводы и прогнозы. Такие математические методы, которые разработаны с всесторонним учетом принципа единства живой природы и возможности практической их реализации и использования программного обеспечения, являются достижением в области постановки и анализа медико-биологических исследований. Однако опыт показывает, что и в век информационной технологии лучших успехов достигают специалисты, умеющие не только использовать обработанную информацию, но также уяснить сущность применяемых методов. Это предохранит от механического их использования, которое рано или поздно приводит к нелепым или даже абсурдным выводам. К сожалению, сегодня уровень представления результатов статистического анализа данных медико-биологических исследований все еще остается недостаточно высоким. Ясно, что многообразие задач статистического анализа данных медико-биологических исследований, обусловленное разнообразием целей и методов исследований, не позволяет создать универсальный алгоритм подобного анализа, одинаково пригодный во всех практических ситуациях. Однако к настоящему времени накоплен обширный опыт проведения статистического анализа данных и выработаны практические рекомендации, выполнение которых является обязательным элементом любого статистического выборочного исследования. Статистические методы заняли прочные позиции в арсенале современной медицины и фармакологии. Практически нет такого метода статистического анализа, который не нашел бы применения в медицине. В клиниках, например, они служат важным вспомогательным средством для получения информации о влиянии различных факторов на распространенность и течение заболеваний, а также дают возможность сравнивать эффективность различных методов диагностики, лечения и т.д. Кроме того, бывают случаи, когда только путем анализа статистических данных можно определить, являются ли некоторые побочные эффекты следствием применения конкретного препарата или неправильной постановки диагноза. Последовательность типовых действий, выполняемых в процессе статистического анализа результатов, успешно реализовывается на базе статистических пакетов, в частности, пакета прикладных программ (ППП) STATISICA фирмы StatSoft Inc. (США). Задачи медицинской диагностики и прогнозирования не имеют четких (явных) алгоритмов решения. В условия таких задач входит большое число сложно комбинирующихся факторов. Способ решения этих задач человеком лишь в малой степени основан на четких правилах. В основном используется опыт (явная или неявная память о предыдущих ситуациях), подразумевающий правильное решение не только в случае повторения ситуации, но и при возникновении совершенно новой, не встречавшейся ранее ситуации. Повысить эффективность медицинской диагностики и прогнозирования может позволить математический аппарат искусственных нейронных сетей (ИНС), которые способны обобщать эмпирические данные, выявлять и воспроизводить скрытые в этих данных закономерности, что дает возможность рассматривать нейросетевой подход как наиболее приемлемую альтернативу классическим статистическим методам. ИНС, работая по неявным алгоритмам и решая задачи, не имеющие явного решения, достаточно хорошо моделируют способ принятия решений человеком. ИНС, являясь перспективной технологией обработки и обобщения больших объемов медицинской информации для решения задач классификации и прогнозирования, представляют собой нелинейную систему, позволяющую классифицировать данные гораздо лучше, чем обычно используемые линейные методы. В приложении к медицинской диагностике ИНС являются одним из основных инструментов поддержки принятия решений врачом-специалистом в условиях отсутствия точных моделей реальных процессов и явлений. Доступность и возросшие вычислительные возможности современных компьютеров привели к широкому распространению программ, использующих принципы нейросетевой обработки данных. В качестве успешного применения современных компьютерных технологий в медико-биологических исследованиях можно назвать использование таких систем, как MATLAB, использующих различные высокоэффективные методы обработки биомедицинских сигналов и изображений. Информационные сигналы, имеющие место в различных медико-биологических исследованиях, весьма разнообразны. Одно из центральных мест среди них занимают изображения внутренних органов человека, правильная интерпретация которых в случае патологических процессов приводит к принятию обоснованного решения врачом на всех этапах проведения лечебно-диагностических процессов. Построение экспертных систем (ЭС) относится к ещё одной важной области исследований, посвященной формализации способов представления знаний. Разработка медицинских экспертных систем для решения медицинских задач является особенно актуальной, поскольку в большинстве случаев они представлены большим объемом многомерных, запутанных, а порой и противоречивых клинических данных. В медицинском программном обеспечении отдельную группу представляют программы для интенсивной терапии, которая использует оценочные системы, позволяющие проводить сравнение пациентов, оказавшихся в критических состояниях, и оценивать результаты их лечения. В эту же группу входят расчетно-диагностические программы для использования в работе терапевта и врача-анестезиолога, которые должны содержать современные расчетные данные; наиболее полно, объективно и быстро выдавать результаты; не создавать трудностей при их использовании. В современных условиях лечение одного заболевания может представлять сложный комплекс из множества госпитализаций (в том числе в разных медицинских учреждениях) и амбулаторного наблюдения, при этом заводится множество историй болезни и амбулаторных карт, доступ к которым для лечащего врача весьма затруднен даже внутри одной организации. Становится актуальным развитие электронной истории болезни (электронной карты) пациента. В основу принципа работы составления, учета и хранения медицинской информации в электронном виде, заложена идея создания единого информационного ресурса, который позволяет оперировать с личными данными пациентов, а также обмениваться такими данным с другими медицинскими учреждениями. К настоящему времени существует несколько подходов к решению проблемы разработки и внедрения в лечебно–профилактические учреждения (ЛПУ) электронной истории болезни. Применение компьютерных технологий позволяет создавать электронную модель такого объекта, как «Медицинская карта стационарного (амбулаторного) больного» в интересах различных пользователей и в разных целях. В идеале, такая модель должна устраивать всех заинтересованных лиц и обеспечить повышение качества всех процессов управления здоровьем пациентов. Представленная авторами работа посвящена исследованиям и разработке вышеперечисленных положений информационных технологий в различных областях медицины для теоретического и практического анализа и обработки медико-биологических данных. жүктеу/скачать 195 Kb. Достарыңызбен бөлісу:
|