Carte Curs InfoMedBiostat2009

1
Gheorghe-Ioan MIHALA
Diana LUNGEANU

INFORMATIC MEDICAL I BIOSTATISTIC

2

C o l e c i a
MANUALE

3

Diana LUNGEANU

I NFORMATI C MEDICAL I BIOSTATISTIC

Profesor Doctor, Membru al Academiei de tiine Medicale
Disciplina de Informatic Medical
Universitatea de Medicin i Farmacie Victor Babe

Diana LUNGEANU
Profesor Doctor Inginer
Disciplina de Informatic Medical
Universitatea de Medicin i Farmacie Victor Babe

2009

4

Editura VICTOR BABE
Piaa Eftimie Murgu 2, 300041 Timioara
Tel./ Fax 0256 495 210
e-mail: evb@umft.ro

Director general: Prof. univ. dr. tefan Iosif Drgulescu
Consilier editorial: Cala Christian

Referent tiinific: Prof. univ. dr. Adrian Neagu
Coordonator colecie: Prof. univ. dr. Andrei Motoc

2009 Toate drepturile aparin autorilor. Reproducerea parial sau integral a
textului sau imaginilor fr acordul scris al autorilor este interzis i se va
sanciona conform legilor n vigoare.

Editur acreditat de Ministerul Educaiei i Cercetrii prin
Consiliul Naional al Cercetrii tiinifice din nvmntul Superior, cod 324.

Descrierea CIP a Bibliotecii Naionale a Romniei
MIHALA, GHEORGHE-IOAN
Informatic medical i biostatistic / Gheorghe- Ioan
Mihala, Diana Lungeanu. - Timioara: Editura Victor Babe, 2009
Bibliogr.
ISBN 978-973-87757-1-8

I. Lungeanu, Diana

004:61(075.8)
519.22:57(075.8)

Tiprit la Tipografia Eurostampa
B-dul Revoluia din 1989 nr. 26, Timioara
Tel. 0256- 204 816, edituraeurostampa@gmail.com

5

CUPRINS
PARTEA I
NOIUNI GENERALE
OBIECTUL INFORMATICII MEDICALE ............................................................... 11
Teoria informaiei ................................................................................................................... 11
BAZE DE DATE MEDICALE. NOIUNI INTRODUCTIVE .................................... 19
1. Fiiere de date ..................................................................................................................... 19
2. Baze de date ........................................................................................................................ 21
3. Sisteme de gestiune a bazelor de date................................................................................. 23
4. Tipuri de baze de date. Modele de date .............................................................................. 25

Partea a II-a
BIOSTATISTIC
INTRODUCERE N BIOSTATISTIC ..................................................................... 31
1. INFERENA STATISTIC ................................................................................... 31
1.1 Conceptele de baz ale biostatisticii ................................................................................. 31
1.2. Variabile .......................................................................................................................... 34
2. PARAMETRII STATISTICI .................................................................................. 36
2.1. Indicatorii tendinei centrale ............................................................................................ 37
2.2. Indicatori de dispersie ...................................................................................................... 40
2.3. Medii de puteri: momente. Momente centrate ................................................................. 46
2.4. Asimetria ........................................................................................................................ 46
2.5. Excesul ............................................................................................................................ 47
3. DISTRIBUII......................................................................................................... 48
3.1. Funcia de distribuie ....................................................................................................... 48
3.2. Funcii de distribuie uzuale ............................................................................................ 48
4. ESTIMAREA STATISTIC................................................................................... 50
4.1. Noiunea de estimator ...................................................................................................... 50
4.2. Estimarea mediei populaiei ............................................................................................ 51
4.3. Estimarea procentelor ...................................................................................................... 54
4.4. Estimarea diferenelor ..................................................................................................... 55
4.5. Calculul mrimii eantionului ......................................................................................... 56
6

5. TESTE STATISTICE ............................................................................................ 57
5.1. Noiuni generale ............................................................................................................. 57
5.2. Ipoteze statistice ............................................................................................................. 58
5.3. Etapele aplicrii testului statistic .................................................................................... 60
5.4. Erori. ............................................................................................................................... 61
5.5. Caracteristicile testelor statistice .................................................................................... 62
5.6. Teste parametrice i neparametrice ................................................................................. 63
5.7. Clasificarea testelor statistice.......................................................................................... 63
5.8. Teste uzuale n biostatistic ........................................................................................... 63
6. CORELAIA SI REGRESIA ................................................................................. 84
6.1. Relaii ntre dou variabile cantitative ............................................................................ 85
6.2. Relaii ntre dou variabile ordinale ................................................................................ 96
6.3. Relaii ntre variabile nominale....................................................................................... 97
6.4. Relaii ntre mai multe variabile cantitative. ................................................................... 98
7. EPIDEMIOLOGIE ................................................................................................ 98
7.1. Analiza riscului ............................................................................................................... 99
7.2. Analiza supravieuirii.................................................................................................... 105

Partea a III-a
SEMNALE I IMAGINI BIO-MEDICALE
1. PRELUCRAREA SEMNALELOR BIOLOGICE ................................................ 113
Introducere ........................................................................................................................... 113
1.1. Semnale biologice ......................................................................................................... 113
1.2. Achiziia biosemnalelor ................................................................................................ 116
1.3. Spectre de frecven si filtrare ...................................................................................... 119
1.4. Prelucrarea semnalelor cvasi periodice. Semnalul electrocardiografic ...................... 121
1.5. Analiza semnalelor neperiodice. Prelucrarea EEG ....................................................... 128
2. INTRODUCERE N PRELUCRAREA IMAGINILOR DIGITALE..................... 145
2.1. De ce prelucrarea imaginilor? ....................................................................................... 145
2.2. Fundamente. Un model de imagine .............................................................................. 146
2.3. Noiuni elementare de imagistic medical .................................................................. 147
2.4. Proiectul Visible Human ............................................................................................... 155
2.5. Eantionarea i cuantizarea imaginilor ......................................................................... 156
7

2.6. Relaii de baz dintre pixeli i operaii cu imagini numerice ......................................... 159
2.7. mbuntirea imaginilor i extragerea unor atribute ..................................................... 165
2.8. Standardul DICOM ....................................................................................................... 172

Partea a IV-a
DECIZIA MEDICALA ASISTATA DE CALCULATOR
INTRODUCERE ...................................................................................................... 179
1. DIAGNOSTICUL ASISTAT DE CALCULATOR ................................................ 180
1.1. Clasificarea metodelor de diagnostic ............................................................................. 180
1.2. Formalizarea operaiunii de stabilire a diagnosticului ................................................... 180
2. METODE LOGICE .............................................................................................. 181
2.1. Baza de cunotine .......................................................................................................... 181
2.2. Variante de metode logice ............................................................................................. 181
2.3. Prezentarea rezultatelor ................................................................................................ 182
2.4. Dezavantajele metodelor logice ..................................................................................... 182
3. METODE STATISTICE. REGULA LUI BAYES ................................................. 183
3.1. Aspecte statistice n raionamentul medical................................................................... 183
3.2. Regula lui Bayes ............................................................................................................ 183
4. PATTERN RECOGNITION ................................................................................ 185
4.1. Principiul metodei patern recognition ........................................................................ 185
4.2. Etapele aplicrii metodei pattern recognition. Clasificarea metodelor ....................... 188
5. ELEMENTE DE LOGIC ................................................................................... 189
5.1. Noiuni generale ............................................................................................................ 189
5.2. Propoziii compuse ........................................................................................................ 191
5.3. Inferene logice .............................................................................................................. 192
5.4. Elemente ale limbajului PROLOG ................................................................................ 193
6. SISTEME EXPERT .............................................................................................. 194
6.1. Structura unui sistem expert .......................................................................................... 194
6.2. Descrierea conexiunilor ................................................................................................. 196
6.3. Caracteristicile principale ale sistemelor expert ............................................................ 196
6.4. Sisteme expert medicale ................................................................................................ 198
7. ESTIMAREA CALITII CLASIFICRII ......................................................... 199
8. ALEGEREA INVESTIGAIILOR ....................................................................... 201
8

9. OPTIMIZAREA TRATAMENTULUI ................................................................. 202
10. DECIZII LA NIVEL DE ORGANIZARE SANITAR ....................................... 202

Partea a V-a
SISTEME INFORMATICE MEDICALE
1. INFORMAIA MEDICAL ................................................................................ 205
1.1. Tipuri de activiti ........................................................................................................ 205
1.2. Structura schematic a fluxului informaional .............................................................. 206
1.3. Sistem informaional, sistem informatic ....................................................................... 208
2. SISTEME INFORMATICE N ASISTENA MEDICAL PRIMAR ............... 208
2.1. Activiti la nivelul unitilor de asisten medical primar........................................ 208
2.2. Modulele sistemelor informatice ale asistenei medicale primare ................................ 209
3. SISTEME INFORMATICE CLINICE ................................................................. 211
3.1. Structura asistenei specializate n clinici ..................................................................... 211
3.2. Obiective generale ale sistemelor informatice clinice .................................................. 212
3.3. Obiective specifice ale sistemelor informatice n departamente clinice ....................... 212
3.4. Obiective specifice n departamente paraclinice i servicii .......................................... 214
4. SISTEME INFORMATICE DE SPITAL (SIS)..................................................... 215
4.1. Tipuri de date n spital .................................................................................................. 215
4.2. Conceptul de SIS .......................................................................................................... 215
4.3. Arhitectura unui SIS ..................................................................................................... 217
4.4. Structura unui SIS ......................................................................................................... 217
4.5. Integrarea SIS ............................................................................................................... 218
4.5. Exemple de SIS ............................................................................................................ 219
5. SISTEME INFORMATICE MEDICALE LA NIVEL CENTRAL ....................... 219
5.1. Nivel teritorial............................................................................................................... 220
5.2. Nivel naional ............................................................................................................... 220
5.3. Nivel internaional ........................................................................................................ 221
6. PROBLEME SPECIFICE N SISTEME INFORMATICE .................................. 222
6.1. Protecia datelor ............................................................................................................ 222
6.2. Standardizarea .............................................................................................................. 223

D. Lungeanu, Gh.-I. Mihala

9

Partea I
N NO O I IU UN NI I G GE EN NE ER RA AL LE E

Informatic Medical & Biostatistic

10


11

OBIECTUL INFORMATICII MEDICALE
Informatica medical este o disciplin tnr, termenul aprnd n cursul anilor
60. n acepiunea iniial informatica medical cuprindea programele de calculator cu
aplicabilitate n domeniul medical. Progresul tehnic rapid a artat ns c, pentru
aceleai aplicaii, att programele ct i suportul fizic se schimbau; ceea ce rmnea la
fel era modul n care era prelucrat informaia.
Astfel, n accepiunea actual, centrul definiiei s-a mutat de la calculator la
informaie. Coiera [1997] chiar atrage atenia n acest sens: Informatica medical se
ocup de calculatoare tot att de mult ct se ocup cardiologia de stetoscoape.
Definiii: Obiectul informaticii medicale caseta 1.1.

TEORIA INFORMAIEI
Noiunea de informaie
Pentru a ne ocupa de informaia medical, s ncercm mai nti s privim
conceptul de informaie la modul general.
Termenul de informaie este folosit n mod curent n viaa de zi cu zi, fiind cel
mai adesea asociat cu aducerea unui element de noutate. Fiind un concept cu grad nalt
de generalitate (categorie filosofic), informaia nu poate fi definit n manier clasic,
pornind de la genul proxim i preciznd diferenele specifice, ci prin propietatea sa
esenial cea de a nltura o nedeterminare.
Noiunea de informaie caseta 1.2.
Proprietile informaiei
Informaia nu este materie; totui ea nu poate exista nafara materiei. Norbert
Wiener spunea Creierul nu secret informaie precum ficatul fiere.
Informaia nu este energie; totui ea nu se poate transmite fr un suport
energetic.
Nu este o relaie direct ntre cantitatea de energie ce nsoete transmiterea unei
informaii i cantitatea de informaie transmis. De exemplu, energia unui trsnet n
timpul unei furtuni este imens, ns informaia transmis este neglijabil; n schimb un
fonet ntr-o pdure, purtat de o energie infim poate reprezenta o informaie vital
punnd pe fug un animal! S semnalm totui c nu exist relaie nici ntre cantitatea
de informaie i efectele sale. De ex. Legenda lui Tezeu din metodologia greac: Tezeu
promisese tatlui su Aegeus, c dac va invinge n lupt minotaurul va nlocui pnza
neagr a corabiei cu pnz alb, dar a uitat i tatl su s-a aruncat de pe stnci.
Informaia primit a fost doar 1 bit.

Triada abordrilor complete
Introducerea aspectelor informaionale n studiul materiei vii completeaz
imaginea noastr privind complexitatea sistemelor biologice, actualmente considerndu-
se c o abordare complet trebuie s acopere att aspectele materiale i energetice ct i
cele informaionale.
Triada abordrilor complete caseta 1.3.


12

Valoarea util a informaiei
Sensul noiunii de informaie, aa cum a fost prezentat mai sus etc. legat de alt
noiune nederminarea (sau incertitudinea) vag definit la rndul su. Acelai mesaj
poate s aib valori informaionale diferite pentru diferii receptori: pentru o persoan
care deja tia coninutul su cantitatea de informaie primit este zero, ns pentru
receptorii care nu-i tiau coninutul va putea fi evaluat cantitatea de informaie primit
deci:
Valoarea util a informaiei depinde de receptor.

C Ca as se et ta a 1 1. .2 2
Noiunea de informaie
Informaia este un concept cu grad nalt de generalitate caracterizat prin proprietatea
de a nltura o nedeterminare (incertitudine).
C Ca as se et ta a 1 1. .1 1a a

Structura cursului de informatic medical
Partea I - Nivel individual
Seciunea A. Date
1. Stocare: Baze de date medicale
2. Prelucrare
- 2a: Date calitative i numerice: Biostatistica
- 2b: Date grafice: Semnale biologice
- 2c: Imagini: Imagistica medical
Seciunea B. Cunotine
3. Decizia medical asistat de calculator
Partea II - Nivel supraindividual
4. Sisteme informatice n sntate
Obiectul informaticii medicale
Accepiunea clasic: totalitatea programelor de calculator cu aplicaii n domeniul
biomedical i sntate.
Definiia actual: disciplina care studiaz ntregul flux al informaiei medicale:
generare, achiziie, stocare, transmitere, prelucrare i utilizare.

13

Redondana
- Entropia maxim: pentru evenimente echiprobabile p
i
= 1 / k, de unde
H
max
= log
2
k (1)
- Redondana absolut:
R = H
max
H
real
(2)
- Redondan relativ:
R
r
= R / H
max
(3)
Cantitatea de informaie
- Cantitatea de informaie eliberat de un eveniment a carui probabilitate
este p
i

i 2
p log
i
I (1)

- Unitatea de msur pentru cantitatea de informaie = bit
- Definiie: Un bit este cantitatea de informaie primit cnd se nltur o
nedeterminare de 1/2
- Pentru o succesiune de N evenimente (mesaj de lungime N)
k
i
i i
I n I
1
(2)
- Entropia informaional este cantitatea medie de informaie per eveniment
(simbol) ntr-un mesaj:
i
k
i
i
p p H log
2
1
(3)
Triada abordrilor complete
- aspectul material structura
- aspectul energetic suportul funcional
- aspectul informaional mecanismul funcional
Valoarea util a informaiei depinde de receptor

14

Cantitatea de informaie
Parcurgerea acestui subiect necesit cunotine fundamentale de teoria
probabilitilor
Pornind de la proprietatea fundamental a informaiei, cea de a nltura o
nedeterminare, Shannon a considerat c informaia primit este invers proporional cu
probabilitatea de apariie a evenimentului: dac se va ntmpla un eveniment cu
probabilitate mare, informaia primit este mic; n schimb primim o informaie mai
mare dac apare un eveniment mai rar. (Ziaritii exploateaz intens aceast relaie!)
Relaia propus de Shannon pentru calculul cantitii de informaie care este
primit cnd se petrece un eveniment cu probabilitatea p
i
cuprinde logaritmul n baza 2
din inversul probabilitii p
i
(formula (1) n caseta 1.4).
Pe baza acestei relaii stabileste unitatea de msur pentru cantitatea de
informaie, numit bit (de la BInary digiT).
n mod usual informaia se transmite printr-o succesiune de evenimente, numit
adesea mesaj, iar un eveniment ntr-un mesaj se mai numete simbol.
n cazul unui mesaj format din N evenimente, fiecare eveniment i apare de n
i
ori,
aducnd de fiecare dat informaia I
i
, deci mesajul aduce informaia
i
k
i
i k k
I n I n I I n I
1
2 2 1 1
... relaie care este trecut i n caseta 1.2.
Valoarea medie a informaiei corespunztoare unui eveniment ntr-un ir de N
evenimente se mai numete entropie informaional, H, i se calculeaz astfel:
k
k k k
I
N
n
I
N
n
I
N
n
N
I n I n I n
H ...
...
2
2
1
1 2 2 1 1

la limit (i.e. atunci cand N ) relaia devine:
k
i
i i k k
I p I p I p H
1
1 1
...
nlocuind I
i
conform

relaiei (1), obinem formula (3) din caseta 1.4, formul
fundamental n teroria informaiei, numit i formula lui Shannon pentru entropia
informaional.

Relaia ntre entropia informaional i entropia termodinamic
Termenul de entropie a fost introdus n termodinamic pentru enunarea
principiului al II-lea al termodinamicii: n procesele termodinamice entropia nu poate
s scad: ea rmne constant n cadrul proceselor reversibile i crete n cazul
proceselor ireversibile.
Relaia ntre entropia termodinamic i cea informaional poate fi neleas
pornind de la experimentul ideal propus de Maxwell pentru explicarea variaiei
entropiei n cazul proceselor ireversibile, prezentat n cadrul cursului de biofizic.
Se vede deci c sistemul poate evolua n sens contrar celui dictat de al II-lea
principiu al termodinamicii n cazul n care primete o informaie. Acesta este
mecanismul prin care sistemele vii evolueaz spre stri tot mai organizate i deosebite
de mediul nconjurtor.
Redondan
Entropia informaional are valoare maxim cnd evenimentele din mesaj sunt
echiprobabile:
k
p
i
1
;

15

atunci
k k
k H
1
log
1
max
de unde se obine relaia (1) din caseta 1.5.
Un exemplu ar fi cazul unui mesaj encriptat, n care probabilitatea apariiei unui
simbol este (cel puin aparent) independent de simbolurile anterioare. n mesajele reale
probabilitatea unui simbol depinde de simbolurile anterioare; putem, n funcie de
context, s ghicim ce urmeaz, putem folosi prescurtri, putem observa greeli cum ar
fi omisiunea unei litere etc. Deci informaia nu este distribuit uniform n mesaj sau
chiar n interiorul cuvintelor, cantitatea de informaie transportat n realitate fiind
inferioar celei maxime ce ar putea fi transmise folosind aceeai lungime a textului.
Aceast diferen, ntre cantitatea maxim ce poate fi coninut n mesaj i cea real se
numete redondan i reprezint o parte din mesaj care nu conine informaie!
Relaia de definiie a redondanei absolute este:
R = H
max
- H
real
Raportnd redondana absolut la H
max
se definete redondana relativ (vezi
caseta 1.5).
Rolul redondanei
Aparent redondana ar reprezenta o ncrctur inutil n mesaj. Totui, prezena
ei diminueaz rolul negativ al perturbaiilor ce apar n cursul transmiterii informaiei,
putnd deseori reconstitui mesajul iniial chiar dac unele simboluri au fost perturbate.
Transmiterea informaiei
Am precizat anterior c valoarea util a informaiei depinde de receptor, deci
noiunea de informaie are sens doar dac se transmite; altfel, rmne n faza de
informaie potenial.
Transmiterea informaiei presupune o surs a informaiei (emitor E) i un
destinatar (receptor R). Spaiul dintre S i R reprezint canalul de comunicaie (C). Pe
canalul de comunicaie pot s apar diverse zgomote care perturb sistemul de
comunicaie afectnd calitatea transmisiei.
S introducem doi termeni importani n cadrul sistemelor de comunicaie:
- mesaj un termen pe care l folosim cnd ne referim la coninutul
informaional al transmisiei
- semnal suportul fizic care transport mesajul (sunet, current electric etc.).
Pentru diminuarea efectelor perturbaiilor sau pentru a asigura transmiterea
mesajului la distane foarte mari, se introduc pe canalul de transmisie nite dispozitive
numite traductori. Un traductor schimb suportul fizic al unui semnal. De exemplu, n
cazul unei convorbiri telefonice, microfonul este traductorul localizat lng emitor,
transformnd sunetele (variaii ale presiunii aerului) n variaii ale unui curent electric.
Canalul de comunicaie este reprezentat de firele telefonice. La destinatar un alt
traductor, casca telefonic, transform variaiile curentului electric n vibraii ale unei
membrane elastice genernd astfel sunete.
Exist i alte dispozitive ce pot fi utilizate n sisteme de comunicaie, de ex.
modem-ul. Denumirea modem provine de la modulator/demolator. Modemul este un
dispozitiv care asigur modularea semnalului, adic suprapunerea semnalului real peste
un semnal purttor (und purttoare) care are caracteristici nct se diminueaz efectul
perturbaiilor (de ex. perturbaiile uzuale, de joas frecven, sunt eliminate dac unda
purttoare are frecven nalt).
O alt transformare pe care o putem aplica semnalului pentru transmisie este
codificarea. Mesajul este compus uzual dintr-o succesiune de simboluri. Totalitatea
simbolurilor utilizate pentru a compune un mesaj se numete alfabet. Simbolurile

16

alfabetului se mai numesc litere, iar cu literele putem construi cuvinte. Totalitatea
cuvintelor cu sens reprezint un dicionar, iar precizarea sensului cuvintelor se numete
semantic. Cu ajutorul cuvintelor se pot construi propoziii; regulile de construcie a
propoziiilor se numete sintax. Un dicionar mpreun cu semantica i o sintez
reprezint un limbaj. Noi folosim uzual pentru comunicaie limbaje naturale, dar exist
posibilitatea utilizrii unor limbaje formale sau artificiale. Diferitele componente ale
sistemului de comunicaie pot folosi diferite alfabete sau dicionare. Transpunerea unui
mesaj dintr-o form ce utilizeaz un alfabet ntr-o form n alt alfabet, cu anumite reguli
de corespondent se numete codificare. Operaiunea invers se numete decodificare.
Transpunerea unui mesaj dintr-un limbaj n altul se numete traducere.
S mai menionm legat de sistemele de comunicaie c exist o capacitate
limitat de transmisie a informaiei pe canalul de comunicaie, numit vitez de
transmisie, msurat n bit/secund.

Exemple de transmisie a informaiei n materie vie
a) Codul genetic. Informaia privind structura proteinelor ce pot fi sintetizate este
stocat n molecula de AND din nucleu. Acizii nucleici conin 4 baze azotate:
adenina A, timina T, citozina C i guanina G (n cazul ARN n loc de timin apare
uracilul u). Proteinele sunt formate din 20 de aminoacizi eseniali. O succesiune de
3 baze azotate din AND se numete codon i poart informaia pentru codificarea
unui aminoacid ntr-o secven proteic. Totalitatea corespondenilor ntre codoni i
aminoacizii corespunztori poart denumirea de cod genetic. Poriunea dintr-un
lan AND care poart informaia pentru sinteza unei proteine se numete gen, iar
ansamblul tuturor genelor unei specii se numete genom. Genomul uman conine
circa 30.000 gene.
Exerciiu: Ce cantitate medie de informaie poart un aminoacid ntr-o structur
proteic avnd 100 aminoacizi?
Rezolvare: Considerm c cei 20 aminoacizi au aceeai probabilitate de apariie ntr-o
secven proteic (ipotez relativ deprtat de realitate, dar simplificatoare pentru
rezolvarea problemei). Calculm entropia informaional cu relaia (3) din caseta 1.4
nlocuind p
i
= 1/20, deci:
biti H 21 2 , 4 5 20 log
20
100
20 / 1 log ) 20 / 1 (
2
20
1
2

b) Codificarea informaiei n sistemul nervos. Pe axoni informaia este transmis
printr-o succesiune de impulsuri nervoase; fiecare impuls nervos este un potenial
de aciune care are ntotdeauna aceeai amplitudine. Unui stimul mai intens i
corespunde o rat mai ridicat de formare a potenialelor de aciune; spunem c pe
axon informaia privind intensitatea stimulului este codificat n frecven.
La nivelul sinapselor are loc o descrcare a veziculelor cu mediator chimic n
spaiul sinaptic, cantitatea de mediator descrcat fiind proporional cu frecvena
impulsurilor nervoase pe axon; spunem c n spaiul sinaptic informaia privind
intensitatea stimulului este codificat n amplitudine, aceasta fiind reprezentat de
cantitatea de mediator descrcat.
La nivelul membranei postsinaptice, mediatorul se cupleaz pe receptorii
postsinaptici, se deschid canalele de sodium, membrana se depolarizeaz i apare
un potenial care se propag pe membrana corpului neuronal sau pe dendrite.
Spunem c informaia este codificat n amplitudine, aceasta fiind reprezentat de
potenialul local.


17

Informatica medical
Dup aceast incursiune n teoria informaiei putem reveni la noiunea central
din informatic medical i anume informaia medical.
Ce este informaia medical i cnd apare ea?

Date i cunotine
S ncercm s schim n cel mai simplificat mod actul medical primar i anume
vizita pacientului la medic. Poziia central n activitate medical este ocupat de
pacient. Fr pacient nu exist medicin! Actorul principal al activitii medicale este
medicul, dar n activitatea medical sunt implicate numeroase alte persoane care aparin
aa-numitelor profesii aliate. Dialogul medic-pacient ncepe uzual cu expunerea de
ctre pacient a motivelor pentru care s-a prezentat la medic. Aceast descriere
reprezint transmiterea unor informaii de la pacient ctre medic. Informaiile care se
transmit sau se utilizeaz ntr-un act medical (sau ca urmare a unui act medical)
reprezint informaia medical. Dialogul este succedat de ctre examenul obiectiv al
pacientului, medicul colectnd astfel i alte informaii despre pacient. S observm c
aceste informaii au un caracter individual sunt valabile pentru acest pacient. Aceste
informaii se numesc date. Uzual paleta datelor se completeaz cu informaii provenind
i din alte investigaii (probe de laborator, explorri funcionale, radiografii etc.).
Indiferent ct de complexe ar fi ca reprezentare, ele sunt date, fiind caracteristice unui
anumit individ.
n acelai timp, medicul utilizeaz i alt fel de informaii, numite cunotine.
Acestea au un caracter general i sunt acumulate n cursul pregtirii profesionale
precum i n experiena sa practic. Fr aceste cunotine informaiile sub form de
date nu pot fi interpretate (revenim la afirmaia c valoarea util a informaiei depinde
de receptor; practic, fr aceste cunotine receptorul datelor nu este medic). De aceea
numeroi autori numesc informaie doar datele interpretate. Pentru a evita confuzia
ntre termenul informaie folosit la modul general i informaie pentru treapta de date
interpretate, vom pstra termenul de date interpretate pentru acest nivel.

Ciclul elementar al informaiei medicale
Prin interpretarea datelor de ctre medic pe baza cunotinelor sale, este generat
o nou informaie numit diagnostic. Pe baza diagnosticului, folosind din nou
cunotinele sale, medicul stabilete un plan terapeutic pe care l aplic pacientului cu
scopul de a mbuntii starea pacientului. Urmrirea evoluiei pacientului este nsoit
de colectarea unor noi informaii sub form de date. Se observ c se nchide un ciclu al
fluxului informaional n activitatea medical, numit ciclul elementar al informaiei
medicale.
Tipuri de date
Informaiile culese despre starea pacientului, adic datele, pot mbrca diverse
forme:
- date calitative cu caracter descriptiv, aa cum apar n anamnez
- date numerice forma uzual de prezentare a rezultatelor de laborator
- grafice modul de nregistrare a evoluiei n timp a unor mrimi biologice
(ex.: semnalul ECG, EEG etc.)
- sunete de ex. fonocardiograma; modul de prelucrare este asemntor cu cel al
altor semnale
- imagini radiografia, tomografia, ecografia etc.
- imagini dinamice filme.

18

Modul de achiziie, stocare i prelucrare este specific pentru fiecare tip de date i
n cadrul cursului nostru le corespund capitole separate.
Tipuri de cunotine
Cunotinele pot fi de mai multe feluri:
- cunotine explicite care se pot formaliza, se pot exprima n propoziii, pot fi
uor transmise pe cale oral sau scris
- abilitati sau cunotine tacite (limba engleza - skill) cele ctigate prin
experien practic (de ex. ndemnarea unui chirurg sau a unui dentist); nu pot
fi transmise uor.

Clasificarea informaiei medicale pe nivele structurale
n ciclul elementar al informaiei medicale prezentat mai sus am luat n
considerare informaiile care apar n activitatea medical curent, la nivelul individului,
numit pacient. Totui fenomenele care se petrec n materia vie (legate de starea de
sntate a pacientului) privesc deseori nivele infraindividuale, pornind de la nivelul
molecular sau celular, urcnd prin nivelul de esut, organ sau sistem pn la nivelul
ntregului organism sau nivelul individual.
Pe de alt parte, activitatea medical este organizat n uniti care presteaz
servicii pentru populaie, deci putem urmri fluxul informaional i la nivel
supraindividual, de comunitate. Corespunztor acestor nivele structurale avem diferite
discipline biomedicale precum i diferite capitole corespunztoare ale informaticii
medicale.

Operaii cu informaii
Urmrind ciclul de via al informaiei, din momentul generrii sale pn n
momentul utilizrii, observm c informaia sufer o serie de operaii:
- achiziia (colectarea) presupune mijloace specifice tipului de informaie
- stocarea baze de date, respective baze de cunotine
- transmitere ci, procedee
- prelucrare cu o larg palet de metode specifice, pentru a extrage elementele
eseniale n vederea interpretrii i utilizrii
- protecie msurile ce se impun pentru asigurarea integritii informaiei
stocate sau transmise, precum i a confidenialitii acesteia
- interpretare/utilizare pasul final, n care informaia este integrat n aciunile
specifice nivelului.

Capitolele informaticii medicale i structura cursului
Structura schematic a cursului cu durata de un semestru (predat n anul I la
studenii facultii de medicin) este prezentat n caseta 1.1a. Partea referitoare la
cunotinele medicale este prezentat sumar, la nivel introductiv.
Noiunile de modelare, bioinformatic i neuroinformatic se predau numai sub
form de cursuri avansate i nu sunt cuprinse n acest volum.

19

BAZE DE DATE MEDICALE. NOIUNI INTRODUCTIVE

O baza de date este o colecie organizat de date. O baz de date de calculator va
fi o colecie de date organizat n calculator (mai exact, n fiiere). Ce fel de date? Orice
fel: liste cu nume i adrese, crile dintr-o bibliotec, orice dorii s organizai i s
pstrai.
1. FIIERE DE DATE

Un fiier de date n format electronic (pe calculator) nu va fi o structur rigid
ca o carte de telefon sau un mers al trenurilor tiprite pe hrtie. El ne ofer o structur
flexibil prin faptul c putem cuta datele dup diverse criterii i le putem chiar
modifica ordinea. Putem lua ca exemplu fiierul de date reprezentat de catalogul cu fie
dintr-o bibliotec, care are un anumit format fix. Deoarece fiecare carte este afiat prin
titlul ei sau prin autor, pentru a gsi o anumit carte din acel catalog, trebuie s

NU! Categoric nu.
Un editor de text creaz fiiere de tip text i ne ofer faciliti de redactare i aranjare
a textului destinat afirii i/sau tipririi.
n fiierele de date informaia este organizat dup o schem: anumite structuri sau
machete precizate de noi, astfel ncat s regsim uor orice informaie odat nscris
n baza de date i s o putem prelucra dup dorin.
Ce nevoie am de fiiere de date? Nu pot nregistra orice informaii ntr-un
fiier creat cu un editor de texte, de exmplu cu Word?!
DEFINIII
Fiier (file) = o colecie organizat de date
Date (data) = reprezentri formalizate sau fapte (instante), adecvate prelucrarilor
umane sau automate

Suntei mult mai familiarizai cu acest concept dect credei. ntlnii baze de date n
viaa de fiecare zi. Ai rsfoit vreodat un program TV? Ai consultat un dicionar sau
o enciclopedie? Ai intrat ntr-o bibliotec? Ei, toate astea sunt baze de date.
C Ce e s su un nt t b ba az ze el le e d de e d da at te e ? ?

20

cunoatem titlul sau autorul. Dac nu ne putem aminti cu suficienta precizie nici una din
aceste informaii, rezultatul va fi o cutare ntortocheat prin toate fiele catalogului.
Dac acest catalog ar fi fost un fiier de date pe calculator, am fi putut cuta nu numai
dup nume sau autor, ci i dup diverse cuvinte-cheie, dup data publicrii, sau dup
frnturile de informaie despre autor pe care ni le amintim.
Un lucru foarte important este SCHEMA sau STRUCTURA UNUI FISIER DE DATE:
Element de
structur
Nume n lb.
englez
Explicaie, exemplu
nregistare record
similarul unei fie clasice
(fia de carte la bibliotec)
cmp field
similarul unei rubrici din fia clasic
(numele i prenumele, sex, data naterii, etc.)
articol item
coninutul concret al unui cmp, respectiv al unei
rubrici (POPESCU ALEXANDRU atunci cnd
reprezint coninutul cmpului numele i
prenumele)

Dac ne propunem s inem evidena pacienilor folosind un calculator, vom
nscrie datele care erau coninute n fia de eviden clasic (pe hrtie) n nregistrri
coninute n fiiere de date, aa cum ne propun figurile I.1 si I.2.

Figura I.1. Exemplu simplificat de fia clasic

Figura I.2. Organizarea unui fiier de date secvenial

21

Ne putem imagina fiierul de date ca fiind un dosar cu nregistrri (fie de
eviden, n accepiunea clasic). Observai c fiecrui pacient i va corespunde o
nregistrare (o fi de eviden) - record. Fiecare nregistrare este format din cmpuri
(rubricile ce trebuiau completate la o fi clasic) - fields. Fiecare cmp are un nume i
o dimensiune (exist rubrici mai ncaptoare, ca cele pentru nume, diagnostic i unele
mai nguste, ca cele pentru sex sau greutate).
Datele concrete care se introduc la un moment dat ntr-un anume cmp le vom
numi articole - items (ca de exemplu, POPESCU pentru nume, sau M pentru sex, etc.).
Fiecare cmp se va caracteriza prin cteva proprieti:
Proprietate cmp Exemplu
nume cmp Nume, Data naterii, Sex, etc.
tip cmp
numeric (intreg, real), caracter, logic, data
calendaristic, etc.
dimensiune cmp
50 caractere, numar real cu 3 cifre la partea ntreag i 2
cifre la cea zecimal, etc.
Toate aceste elemente de structur trebuiesc definite la crearea fiierului de date.
Putem deci vedea fiierele de date ca nite tabele pe care le definim atunci cnd
precizm structura i le umplem apoi cu datele propriu-zise (cu articole sau items
concrete) - figura I.3.

Nr.
reg.
Nume Sex Data_nat. Ocupaie Diagnostic Greutatea
2345 Ionescu Adrian M ....... ......... .........

Figura I.3. Organizarea logic a unui fiier de date sub forma unui table
2. BAZE DE DATE
O baz de date este format din unul sau mai multe fiiere de date, dar este mai
mult dect o simpla colecie de fiiere: include, pe lng acestea, descrierea relaiilor
dintre nregistrri, descriere apelat i utilizat pe toat durata prelucrrii informaiilor.
Figura I.4 prezint comparativ organizarea informaiei sub forma unei baze de date la
nivel instituional versus o colecie de fiiere independente, corespunztoare diferitelor
departamente dintr-o instituie.

DEFINIIE
Baza de date (database) = o nregistrare structurat de date: conine att datele, ct
i schema acestora, adic mijloacele de a stabili i a menine relaii ntre date; aceste
relaii trebuie s reflecte relaiile dintre entitile reale descrise de date (obiecte fizice,
evenimente, concepte abstracte)

22

(a)

(b)
Figura I.4. Organizarea informaiei ntr-o baz de date la nivel instituional (b) comparat cu
existena unor fiiere de date independente (a) [Brookshear 2007]
La culegerea datelor trebuie neaparat s fie deja stabilit structura fiierelor i
criteriile de validare, care trebuie s in seama de alctuirea fiei de eviden clasice
(cu ct discrepanele de organizare sunt mai substaniale, cu att mai mari vor fi ansele
de eroare la introducerea datelor i reinerea personalului n adoptarea evidenei
electronice a informatiei). Pentru compactarea datelor din fiiere se pot folosi codificari.

Dezvoltarea schemei unei baze de date se face n etapa de proiectare sau de
design a acesteia. Odat definit schema sau structura bazei de date, utilizatorul nu va
mai fi preocupat de chestiuni legate de organizarea fizic a datelor n fiierele care
Clinica
medicala
Departament
salarii
Departament
personal
Departament
aprovizionare
Clinica
chirurgie
Inregistrari
pacienti
Inregistrari
salarii
Inregistrari
angajati
Inregistrari
de inventar
Inregistrari
pacienti
Baza de date
integrata
Departament
personal
Departament
salarii
Departament
aprovizionare
Clinica
medicala
Clinica
chirurgie

Validarea datelor la introducerea lor n baza de date o putem vedea pe mai multe nivele.
Exist o validare primar, care se face implicit prin modul n care a fost precizat
structura: nu voi putea introduce caractere alfabetice ntr-un cmp numeric, aa cum,
dac voi introduce cifre ntr-un cmp de tip caracter, ele nu vor avea nici un fel de
semnificaie valoric (nu voi putea face operaii matematice cu ele). Pe al doilea nivel de
validare exist posibilitatea precizrii unor anumite valori sau intervale de valori pe care le
pot lua articolele din cmpuri: de exemplu, M i F pentru cmpul sex, valori pozitive i
mai mici dect 2.5 pentru cmpul nlime, etc. Poate exista i un al treilea nivel de
validare, n care se iau n considerare criterii mai complexe, care s in cont de
eventualele relaii ntre cmpuri i nregistrri.
Am auzit de validarea datelor. Ce nseamn asta?

23

compun baza de date. De asta se vor ocupa programe speciale. Utilizatorul va face
referire la date prin numele cmpurilor i astfel programele scrise pentru consultarea i
administrarea bazelor de date vor fi independente de configuraia fizic.

3. SISTEME DE GESTIUNE A BAZELOR DE DATE

Aceste instrumente software ncorporeaz suplimentar: limbaje specializate
pentru descrierea i manipularea datelor; (eventual) un sistem de dicionare de date.
Accesul i manipularea datelor se poate face direct prin funciile oferite de SGBD. Cel
mai adesea ns, acest lucru l fac utilizatorii specializai. Utilizatorul obinuit va utiliza
baza de date la nivelul aplicaiilor specifice scopului dorit, prin intermediul unor
interfee speciale definite pentru conectarea programelor de aplicaie la DBMS (API
Application Programming Interface). Figura I.5 prezint acest concept de acces pe mai
multe niveluri la baza de date propriu-zis.

Figura I.5. Conceptul de stratificare a accesului la baza de date: poziia utilizatorului fa de
baza de date [Brookshear 2007]
Un SGBD are trei funcii de baz:
funcia de descriere
funcia de manipulare
funcia de utilizare.
FUNCIA DE DESCRIERE
Funcia de descriere permite descrierea schemei bazei de date (structura datelor i
relaiile dintre acestea). Totodat, se definesc i condiiile de acces la informaiile
coninute n baza de date. Descrierea schemei se realizeaz cu ajutorul unui limbaj de
descriere propriu fiecrui sistem de gestiune.
Utilizator
Software
de aplicatie
SGBD
Baza de date
propriu-zisa
Datele vazute
in termenii aplicatiei
Datele vazute
in termenii modelului
bazei de date
Datele vazute
in organizarea
lor propriu-zisa
DEFINIIE
Sistem de Gestiune a Bazelor de Date - SGBD (DBMS - DataBase Management
System) = un set de unelte software corelate ce au ca scop construcia unei baze
de date i apoi accesul la aceasta; n plus, ele controleaz securitatea, integritatea i
secretul datelor

24

FUNCIA DE MANIPULARE
Funcia de manipulare permite efectuarea urmtoarelor operaii: crearea, inserarea,
suprimarea sau actualizarea unor nregistrari definite de utilizator; faciliteaz cutarea,
sortarea i editarea total sau parial a unor nregistrri corespunztoare rezultatului
unei ntrebri formulate n acest limbaj.
Limbajele de manipulare pot fi grupate n dou mari categorii:
limbaje autonome - sunt de sine stttoare, n cadrul lor comenzile de manipulare
reprezint chiar funcii referitoare la utilizarea datelor;
limbaje care au nevoie de limbaj gazd - ofer doar facilitile de structurare i
cutare, celelalte operaii legate de manevrarea fiierelor i de prelucrare a datelor
fiind realizate cu ajutorul unor limbaje de nivel nalt universale.
FUNCIA DE UTILIZARE
Funcia de utilizare permite comunicarea ntre utilizator i baza de date (sub aspectul
asigurrii acelor mijloace i servicii care l avantajeaz cel mai mult pe utilizator).
Din punct de vedere al funciei de utilizare, utilizatorii pot fi de mai multe categorii:
utilizatori liberi sau conversaionali, care au la dispozitie limbaje de interogare
ntr-o form foarte apropiat de vorbirea curent i formeaz grupa utilizatorilor
aa-zii nespecialiti. ntrebrile sunt prestabilite, utilizatorii nu cunosc structura
sau modul de lucru cu baza de date i se rezum la apelarea unor proceduri sau
programe corespunztoare anumitor aplicaii;
utilizatorii parametrici fac uz, de regul, de limbajele de manipulare (n special
pentru interogare) utiliznd proceduri prestabilite. Ei au cunotine de programare
i cunosc att structura bazei de date ct i problemele sistemului de operare;
administratorul bazei de date este un utilizator special, care rspunde de toate
activitile i operaiile referitoare la baza de date pe care o gestioneaz, inclusiv
performanele acesteia. El definete obiectivele sistemului, ajut la definirea
cerinelor utilizatorilor, definete structura virtual i mparte drepturile de acces
ale utilizatorilor, stabilete procedurile de validare a datelor, elaboreaz concepia
de protecie a datelor i evalueaz performanele sistemului. Administratorul rs-
punde de alegerea i implementarea SGBD-ului, asigur ncrcarea bazei de date,
definete strategia de lucru i distribuie documentaia tuturor utilizatorilor.
Pentru orice aplicaie de baze de date de dimensiuni medii sau largi exist cel
putin o persoan cu sarcini de administrare. Aceste persoane (i.e. administratorii bazei
de date) stabilesc politicile de utilizare i au grij ca ele sa fie respectate. Funciile
specifice de administrare pe care o SGBD trebuie sa le ofere sunt: (i) start/stop aplicaia
de baze de date; (ii) funcii pentru definirea grupurilor de utilizatori i pentru controlul
accesului; (iii) funcii de arhivare, salvare i restaurare; (iv) funcii de control al
securitii i integritii datelor; (v) importul/exportul datelor; (vi) funcii pentru
monitorizarea utilizrii sistemului i aplicarea ajustrilor necesare.
Dintre cele mai utilizate SGBD-uri: Oracle, Access, MySQL, Sybase, FoxPro,
Paradox, dBASE.

25

4. TIPURI DE BAZE DE DATE. MODELE DE DATE
Putem clasifica bazele de date astfel:
a) Dupa distribuia datelor:
a1) BD locale - toate fiierele care compun baza de date se gsesc pe un acelai
sistem de calcul,
a2) BD distribuite - fiierele care compun baza de date sunt distribuite pe mai
multe sisteme de calcul,
b) Dupa modelul de date (i.e. specificaiile de arhitectur a datelor). Modele clasice
sunt:
b1) BD relaionale,
b2) BD ierarhice,
b3) BD n reea.
Modelul de date este o reflectare a modelului conceptual, care reprezint lumea reala
prin concepte de tip entitate, relaie i atribute. O entitate este un anumit aspect al
acestei lumi reale, care are o existen independent i poate fi identificat n mod
unic. Toate modelele clasice pstreaz nregistrarea ca orientare fundamental.
BAZE DE DATE RELAIONALE
Acestea sunt cele mai utilizate baze de date, pentru c sunt uor de nteles i de
manevrat. Structura lor logic este de tip tablou cu relaii ntre linii i coloane. Ne
imaginm c baza de date din figura I.6 conine informaii privind pacieni purttori ai
unei maladii ereditare, motiv pentru care s-au luat n observaie i descendenii acestora.

Figura I.6. Bazele de date relaionale sunt organizate ca nite tabele cu relaii ntre linii i
coloane (n acest exemplu numrul de registru este informaia care face conexiunea ntre
cele trei fiiere)
Cutarea n baza de date se face prin comparaie ntre criteriile de cutare i datele
propriu-zise - valoarea de adevarat/fals, obinut ca rezultat, conducnd la crearea unor
nregistrri virtuale, care formeaz apoi tabele virtuale. Aceste tabele virtuale se obin
ca rezultat al cutrii i ele conin rspunsul la ntrebri de genul: Care sunt rezultatele
obinute la ultimele analize de laborator de pacientul IONESCU ADRIAN i de copiii

26

acestuia?, sau Exist nregistrate datele privind evoluia prinilor lui IONESCU
ADRIAN? Dac da, care sunt ele ?.
Aceste criterii de cutare se stabilesc de ctre utilizator, iar modificrile n relaiile
logice dintre cmpurile i nregistrrile bazei de date se definesc i se modific cu un
efort minim. Bazele de date relaionale sunt foarte flexibile i uor expandabile.
BAZE DE DATE IERARHICE
Diagramele unor asemenea baze de date sunt arborescente: fiecare element este
subordonat unui singur element de pe nivelul precedent al bazei de date i numai unuia.
Dependena unui segment de alte segmente de date de nivel superior se exprim printr-
un punctator (adresa), ceea ce conduce la o economie considerabil de spaiu i se
simplific regsirea informaiilor de baz.
Prin aceast organizare eficient timpul de prelucrare se scurteaz substanial.
Plata pentru aceast eficien este o suplee mult mai scazut la schimbarea procedurii
de prelucrare. Pentru volume mari de date i prelucrri intense, avantajele oferite sunt
ns determinante.
BAZE DE DATE N REEA
Bazele de date n reea sunt asemntoare cu cele ierarhice, doar c un copil
poate avea mai mult dect un singur "printe", ceea ce le face mai flexibile dar i mai
puin eficiente n operaiile de interogare.

MODELUL RELAIONAL DE REPREZENTARE I REGSIRE A
DATELOR. CARACTERISTICILE SGBD-urilor RELAIONALE
Exist cteva familii mari de limbaje relaionale:
a) Limbajele orientate pe transformri - constituie o clas de limbaje nepro-
cedurale care, cu ajutorul relaiilor transform datele de intrare n ieirea dorit de utili-
zator. Aceste limbaje (cel mai cunsocut este SQL - Structured Query Language) produc
structuri uor de neles i de manipulat n termeni practici: ce trebuie obinut, pornind
de la ce este cunoscut (descriu doar modul n care datele sunt organizate i pot fi
regsite).
Caracteristici: au nevoie de limbaj gazd i trebuie incluse n pachetele de aplicaie.
SQL a cucerit piaa att datorit calitilor sale, ct i faptului c a fost
standardizat de ctre ANSI (American National Standards Institute) i a fost iniial
promovat de ctre IBM.
b) Limbaje bazate pe algebra relaional - utilizeaz o serie de operatori
algebrici relaionali (permutare, proiecie, restricie, selecie, mprire, reuniune, inter-
secie, diferen, concatenare etc.).
Limbajul algebric relaional este un limbaj procedural complet, dar dificil
pentru necunosctori. El se bazeaz pe utilizarea unui ansamblu de operatori cu ajutorul
crora se acioneaz asupra uneia sau mai multor relaii din cadrul unei baze de date
relaionale, drept rezultat obinndu-se o nou relaie.
c) Limbaje relaionale de tip grafic - modul de lucru: utilizatorul
completeaz o serie de rspunsuri, pe un exemplu, prin care sistemul "ghicete" ce
trebuie fcut i genereaz instruciuni corespunztoare ale limbajului.


27

PROBLEME SOCIALE
Ca i n cazul altor tehnologii, exist aspecte variate i uneori controversate
legate de utilizarea bazelor de date electronice. Ele se asociaz mai ales cu problemele
de securitate a datelor i cu faptul c se pot interoga colecii uriae de date aflate la
distane mari, cu un efort minim.
Sunt i cazuri n care apar probleme legate de dreptul de a colecta i utiliza
informaia nc de la nceput sau dreptul de a da informaia colectat ctre tere prti.
Multe dintre aceste probleme sunt nc fr un rspuns clar exemple adaptate dup
[Brookshear 2007]:
n ce masur poate o universitate face uz de datele despre studenii si: (a)
numele i adresele; (b) notele? Poate face public distribuia notelor fr a da
numele?
n ce msur poate un spital s fc uz de informaiile referitoare la pacieni -
poate folosi datele pentru cercetare? Se schimb ceva dac datele sunt de-
identificate? Le poate da unor instituii care fac cercetare farmaceutic?
n Statele Unite exist nregistrat informaie ADN despre toi deinuii
federali, iar baza poate fi consultat n situaia unor investigaii criminalistice
este etic ca aceast informaie s fie utilizat i pentru cercetare genetic?
poate o banc s dea informaii referitoare la obiceiurile de cheltuieli ale
clienilor? Cnd, n ce condiii?
BIBLIOGRAFIE I REFERINE
JH van Bemmel, MA Musen (eds). Handbook of Medical Informatics. Springer
Verlag, Heidelberg, 1997
P Beynon-Davies. Database systems (2
nd
Edition). Macmillan Press, Houndmills UK,
2000
JG Brookshear. Computer science: an overview (9
th
Edition). Addison Wesley,
Boston, 2007
E Coiera: Guide to Medical Informatics, the Internet and telemedicine. Chapman
Hall, London, 1997
EH Shortliffe, LE Perreault (eds). Medical Informatics. Computer applications in
healthcare and biomedicine (2
nd
Edition). Springer Verlag, New York, 2001
T Spircu, S. igan: Informatica n Medicin. Ed. Teora, Bucureti, 1995


28


29

Partea a II-a
B BI IO OS ST TA AT TI IS ST TI IC C


30


31

INTRODUCERE N BIOSTATISTIC
Marea majoritate a cunotinelor manevrate n tiinele naturii, inclusiv cele
medicale se bazeaz pe observaii i studii asupra mediului. Una dintre caracteristicile
care frapeaz de la nceput este variabilitatea. Indivizii au diferite nlimi, greuti,
etc. Am observat ns cu toii c variaile observate sunt relativ limitate n intervale pe
care le considerm rezonabile sau normale iar ieirea nafara intervalului reprezint
cel mai adesea ieirea din sfera a ceea ce numim normal. Privind astfel lucrurile am
putea spune c tiinele medicale se ocup cu depistarea acestor variaii, cauzele i
metodele de revenire n domeniul valorilor normale. De fapt trebuie s se nceap cu
definirea limitelor n care ncadrm normalul. Putem deja sesiza c acest lucru nu este
deloc uor fiindc vom stabili aceste limite print-un studiu asupra unui grup de indivizi
pe care i considerm normali nc nainte de a avea definit normalul. Vom mai
observa c variabilitatea poate fi destul de ridicat; n plus, repetnd studiul pe un alt
grup obinem alte limite, deci apar semne de ndoial privind stabilirea limitelor i va fi
fireasc ntrebarea: cum putem defini un interval rezonabil i ct de mare ncredere
putem avea n compararea unei situaii reale cu aceste date generale? Acesta este rolul
biostatisticii, care pe baza unei fundamentri matematice solide, n special teoria
probabilitilor, ne permite s ne orientm printre datele att de diverse ca cele oferite
de viaa de zi cu zi. Caracterul probabilist al interpretrilor este oarecum contrastant cu
modelul exact impus de educaia uzual din matematic; de aceea se susine c
statistica nu este doar o tiin, ci un mod de gndire; n matematic numerele 130 i
135 sunt evident diferite; n gndirea statistic nu vom mai fi att de siguri c sunt
diferite (dac ar fi vorba de exemplu de dou msurtori de tensiuni arteriale sistolice
ale unui individ vom ajunge probabil cel mai des la concluzia c nu sunt diferite!).
Ca orice tiin, biostatistica opereaz cu cteva concepte de baz care vor fi
prezentate n cele ce urmeaz.
1. INFERENA STATISTIC
1.1 CONCEPTELE DE BAZ ALE BIOSTATISTICII
A. Individ populaie
Definiie. Individ (element, unitate statistic) - concept de baz ce reprezint forma
individual caracteristic fenomenului studiat i supus operaiei de msurare a unor
parametri (mrimi).
Un individ este considerat bine definit dac este:
identificat concret
localizat n timp (moment sau interval n care se consider c nu se modific
sensibil caracteristicile studiate)
localizat n spaiu.
Exemplu: ntr-un studiu asupra dezvoltrii copiilor, noiunea de individ este asociat
unui copil anume, fiind precizat i momentul n care s-au efectuat msurtorile precum
i localizarea spaial a studiului.

32

Observaie: individ nu este neaprat o persoan; ntr-un studiu fcut pe
obolani, individul va fi un obolan, ntr-o prob de snge va fi o hematie etc.
Definiie: Populaie (colectivitate statistic) reprezint ansamblul tuturor indivizilor la
care se refer studiul i care au cel puin o proprietate comun.
Populaia este bine definit dac este:
- localizat n timp
- localizat n spaiu
- identificat caracteristica ce este comun indivizilor din populaie.
Observaii:
- numrul de indivizi dintr-o populaie se numete volumul populaiei
- populaiile pot fi finite sau infinite
- indivizii i pierd individualitatea n interiorul unei populaii.
Exemple de populaii: - copiii n vrst de 10 ani din judeul Timi, n anul 1995
- limfocitele T ale bolnavilor de hepatit B.
B. Obiectul i metodele biostatisticii
Definiie: Biostatistica este disciplina care i propune studiul caracteristicilor unei
populaii.
Metode de studiu pentru evaluarea caracteristicilor populaiei:
- recensmnt - metod de determinare exact a caracteristicilor populaiei;
localizarea n timp este restrns la un moment; tot foarte bine precizat este i
delimitarea spaial. Recensmntul este o operaie laborioas i foarte costisitoare fiind
utilizat rar, pentru culegerea unor date exacte strict necesare. Deseori n practic nu este
necesar precizia oferit de recensmnt, fiind suficiente date aproximative, studiile
devenind mult mai ieftine.
- screenning - metod asemntoare recensmntului utilizat de obicei pentru
depistarea n cadrul unei populaii a indivizilor avnd o abatere deosebit a unui
parametru (depistarea precoce a unor afeciuni grave sau cu consecine deosebite); nu
este necesar localizarea n timp cu stricteea recensmntului. Fiind o operaie destul
de costisitoare, eficiena crete prin alegerea unei selecii din populaie conform unor
factori de risc; exist o ntreag metodologie pentru optimizarea screeningurilor.
- selecie (eantionare) - metoda cel mai des folosit oferind rezultate cu precizie
satisfactoare i un cost mult redus; pentru studiu se alege din populaie o submulime
numit eantion (lot, grup), msurtorile fiind efectuate numai pe indivizii eantionului
studiat.
C. Inferena statistic
Rezultatele obinute pe un eantion le vom considera valabile pentru ntreaga
populaie.
Definiie: Operaia de generalizare a caracteristicilor unui eantion la nivelul ntregii
populaii se numete inferen statistic.
Inferena statistic este operaia fundamental a statisticii i n jurul ei graviteaz
majoritatea aspectelor teoretice. Importana acestei operaii poate fi mai bine sesizat
dac ne gndim c eantionul poate s reprezinte un procent infim din ntreaga
populaie (s zicem 1:1000); putem foarte uor aluneca spre concluzii eronate dac
eantionul nu reprezint ntreaga diversitate pe care o ntlnim n populaie. S ne oprim
deci puin asupra operaiei de selecie n eantion (teoria seleciei).

33

D. Eantion reprezentativ
Definiie: Eantionul care conine proporional indivizi reprezentnd toate
caracteristicile populaiei poart numele de eantion reprezentativ.
Criterii pentru eantionul reprezentativ
O serie de concluzii interesante pentru statistic s-au putut desprinde cu ocazia
sondajelor efectuate n peajma alegerilor, partidele politice fiind deosebit de interesate
de aceste rezultate. Instituiile care se ocup cu efectuarea acestor sondaje utilizeaz de
obicei eantioane reprezentnd - 1:1000 - 1:100 din populaie. Este des pomenit n
crile de statistic o ntmplare cu ocazia alegerilor din SUA din anul 1936. n sondajul
efectuat de revista The Literary Digest cu puin nainte de alegeri, candidatul Alfred
London prea s aib un avantaj sensibil, ns alegerile au fost ctigate detaat de F. D.
Roosvelt, dei erorile sunt neateptat de mari, dac ne gndim c sondajul a fost
efectuat pe cca 10 milioane de alegtori (din cca 40). Explicaia const ns tocmai n
alegerea defectuoas a eantionului: fiecare al treilea alegtor nregistrat din Chicago,
nume alese la ntmplare din listele diferitelor cluburi, din cartea de telefon, etc.,
favoriznd selecia din mediul urban fa de rural, din cei cu venituri mari fa de cei
cu venituri mici, dintre brbai fa de femei. n plus, sondajul s-a efectuat parial prin
pot i numai un sfert din cei solicitai au rspuns. S-au putut stabili ulterior reguli
pentru alegerea eantioanelor reprezentative care conteaz mai mult dect mrimea
eantionului.
Criteriile pentru selecia n eantionul reprezentativ:
Echiprobabilitate: toi indivizii din populaie s aib aceeai probabilitate de a fi alei n
eantion.
Independen: alegerea unui individ s fie independent de alegerea altui individ n
eantion.
E. Metode de selecie
a. Sondajul simplu. Populaia de studiat este considerat omogen i fiecare
individ este ales n mod aleator (ntmpltor) din ntreaga populaie. Respectarea
practic a criteriilor enumerate anterior este dificil datorit mai multor factori:
subiectivitatea celui ce face eantionarea, necooperarea unor indivizi selectai, unele
condiii tehnice (cnd indivizii sunt animale, celule etc.). De aceea selecia se face,
pentru populaii finite, prin cartografierea populaiei (numerotarea indivizilor luai n
eviden) i apoi generarea de numere aleatoare (sau folosirea unor tabele de numere
aleatoare) care precizeaz indivizii selectai.
b. Sondajul dirijat. Populaia este deseori heterogen i poate fi divizat n mai
multe categorii, numite straturi n teoria seleciei. (De exemplu un eantion
reprezentativ pentru populaia rii noastre trebuie s cuprind proporiile cuvenite de
brbai respectiv femei, de persoane din mediul rural sau urban, din diferite regiuni ale
rii). n sondajul dirijat se vor selecta n eantion un numr de indivizi din fiecare strat,
proporional cu ponderea stratului n populaie. n interiorul fiecrui strat se aplic
regulile sondajului simplu. Exist mai multe variante pentru punerea n practic, cel mai
adesea, (n anchetele strii se sntate) alegndu-se din fiecare strat localiti i
eantionare aleatoare (gospodrii, nr. indivizi) din localitile alese.
c. Sondajul mixt. Versiune care mbin sondajul dirijat cu cel simplu.
Trebuie menionat aici c exist o serie de reguli (ce vor fi n parte discutate
ulterior) prin care se stabilete numrul minim de indivizi din eantion pentru studiul
propus.

34

F. Tipuri de eantioane
Dei dorina noastr, n cursul seleciei eantionului, este cel mai adesea cea de a
evita orice factori care ar influena echiprobabilitatea, constatm c, practic, numeroi
factori au tendine, uneori puternice, de a afecta acest criteriu fundamental. De exemplu
dac dorim s selectm pentru o experin un lot de oareci din biobaz (cresctorie),
este posibil s apar factori subiectivi (ngrijitoarele au uneori simpatii pentru
animalele ngrijite - unii oareci sunt mai drgui, cu musti mai lungi etc. i ncearc
amnarea unui eventual destin tragic) sau obiectivi (dac alegerea unor oareci la
ntmplare dintr-o cuc nseamn a lua pe cei pe care i poi prinde deja putem sesiza
c i vom prinde pe cei mai puin abili n a evita capturarea lor - cu alte cuvinte
alegerea nu mai este chiar ntmpltoare; n aceast categorie intr i sondajul prin
pot: serozitatea de a rspunde la un sondaj nu este egal distribuit n toate straturile!).
Definiie: un factor (tendin) care influeneaz probabilitatea de selecie a unui individ
ntr-un eantion se numete bias.
n funcie de prezena sau absena unui astfel de factor n procesul de selecie
putem distinge:
- eantioane neselective (unbiased) - care respect echiprobabilitatea
- eantioane selective (biased) n care, cu sau fr tirea noastr, un factor a
influenat componena lotului. n marea majoritate a cazurilor eantioanele selective
sunt evitate; excepie fac studiile din analiza riscului unde aceti factori sunt chiar
cutai pentru eventuala definire a unor straturi.
1.2. VARIABILE
Studiile experimentate, indiferent de natura lor, se concretizeaz prin culegerea
unor date.
A. Definiie
Mrimile asupra crora este orientat un studiu i se culeg date poart numele de
variabile sau caracteristici.
B. Tipuri de variabile
a. Variabile numerice (se mai numesc cantitative sau cardinale) sunt cele ale
cror valori sunt exprimate prin numere, pornind de la o unitate de msur bine
definit. Valoarea numeric propriu-zis depinde de unitatea de msur i de precizia
instrumentului de msur.
Exemple de variabile numerice:
- nlimea unui individ (talia) se exprim de obicei n cm sau m (n picioare i inch n
unele ri anglo-saxone);
- greutatea - de obicei n kg cu precizia de 1 kg pentru aduli i 10g-100g pentru copii
(n pounds i ounces n unele tri anglo-saxone);
- frecvena cardiac - se exprim n bti/minut;
- pH-ul sanguin - se exprim n uniti pH, etc.
Variabilele numerice pot fi de dou tipuri:
- scar proporional: valoarea zero-originea- este aceeai indiferent de unitatea de
msur
- scar de intervale: la schimbarea unitii de msur rmn proporionale numai
intervalele (ex: temperatura n
0
C i
0
F).
Variabilele cantitative se mai pot mpri n:
- variabile continue - exprimate prin numere reale (ex: pH-ul sanguin)

35

- variabile discrete - exprimate prin numere ntregi sau raionale, avnd numai anumite
valori posibile (ex: frecvena cardiac).
n practic, datorit preciziei limitate a instrumentelor cu care se efectueaz
msurrile, putem aborda toate variabilele ca discrete; deseori nici nu este necesar
mpingerea precizie msurtorilor la maximul tehnic posibil, fiind suficient o precizie
limitat, specificat dup necesiti (ex: greutatea unui individ).
b. Variabile ordinale (se mai numesc variabile rang) - sunt exprimate prin
numere conform unei scri (scale) convenionale care accept relaia de ordine (mai
mare, mai mic, egal) sau ataeaz eventual valori numerice conform unor criterii
convenionale. Specific variabilelor ordinale este exprimarea prin numere, dar absena
unei uniti de msur.
Exemple de variabile ordinale:
- nota obinut de un individ la un examen indiferent de forma de examinare; nota nu
este altceva dect reflectarea sub form de numr a poziiei pe o scar cu trepte
convenionale: nu se poate niciodat afirma c diferena (distana) ntre 9 i 10 este
egal cu diferena (distana) ntre 5 i 6!
- ierarhia n scara Luscher de preferin a culorilor dintr-o palet de 6 (sau 8) culori
date
- gradul de apreciere al efortului pe scara Berg (0-20 de la f.f.uor pn la
epuizant); etc. c. Variabile calitative (se mai numesc nominale) - sunt exprimate
prin nume sau simboluri ce definesc diferite clase de caliti; ntre calitile claselor
nu se poate (n general) stabili o relaie de ordine; cele mai frecvente sunt calitile
definite dihotomizant astfel nct s apar numai dou clase; teoria demonstrez c toate
celelalte cazuri se pot reduce n final la abordarea dihotomic (cu dou clase);
variabilele cu numai dou valori posibile se mai numesc I variabile alternative.
Exemple de variabile calitative:
- grupa sanguin: O/A/B/AB - patru valori posibile
- sexul: M/F - dou valori posibile
- starea pacientului dup tratament: ameliorat/neameliorat - dou valori posibile, etc.
C. Caracteristicile variabilelor
Pentru un individ (obiect) valoarea asociat variabilei este definit pentru un
moment dat. De obicei culegem un ansamblu de valori corespunznd indivizilor din
eantion urmnd ca, prin inferen statistic, sa ncercm s caracterizm starea
populaiei la momentul respectiv.
n cazul n care urmrim i evoluia n timp a valorilor variabilei studiate
obinem o serie temporal care ne d o reprezentare dinamic, n timp, a mrimii
studiate. Putem ntlni serii de momente sau serii de intervale.
Uneori studiul se ndreapt spre sesizarea unor diferene n funcie de repartiia
n spaiu a valorilor individuale; n acest caz obinem o serie spaial.
D. Mrimi deterministe i aleatoare
a. Mrime determinist - este o marime a crei valoare este bine definit la un
moment dat i care prin repetarea msurrii ne ateaptm s obinem din nou aceeai
valoare. Eventualele variaii se pot datora numai operaiei propriu-zise de msurare.
Exemple: lungimea unui obiect , concentraia unei soluii etc.
b. Mrime aleatoare (sau statistic) - este o mrime a crei valoare nu se repet
cu necesitate prin repetarea msurtorii, chiar dac ncercm s pstrm nemodificate
condiiile experimentale.

36

Exemple: rezultatul la aruncarea zarului (6 valori posibile) sau numrul de
dezintegrri/secund al unei surse radioactive (cu variaii ntr-un anumit interval),
structura genomului unui descendent (cu cteva variante posibile). Procesele care
genereaz marimi statistice se mai numesc i stochastice.
2. PARAMETRII STATISTICI
n biostatistic se utilizeaz frecvent introducerea unor noiuni pornind de la
exemple, metod pe care o vom utiliza i noi n continuare.
Exemplul 1: Efectum un studiu privind dezvoltarea copiilor din Timioara n
1995. Lum un eantion de 324 copii n vrst de 10 ani din Timioara obinnd valorile
din tabelul de mai jos.

Tabelul 1. Datele cu nlimile unui grup de copii
nlime Frecvena nlime Frecvena nlime Frecvena
126 1 134 25 142 13
127 1 135 28 143 12
128 3 136 34 144 8
129 4 137 37 145 3
130 7 138 30 146 2
131 12 139 31 147 2
132 11 140 22 148 0
133 19 141 18 149 1

Datele din acest tabel pot fi reprezentate grafic sub forma unei histograme (fig. II.1)

Analiznd aceste date, putem observa c:
- valorile foarte mici sau foarte mari (extremele), sunt rare, majoritatea valorilor fiind
situate n zona central; acest aspect va fi surprins de unii parametri caracteristici numii
indicatori ai tendinei centrale
- variaiile n jurul parametrului tendinei centrale pot fi mai mari sau mai mici (valorile
individuale pot fi mai grupate sau mai mprtiate); acest aspect va fi surprins de ali
parametri numii indicatori de dispersie.

0
5
10
15
20
25
30
35
40
126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149

Figura II.1. Histograma nlimii unui grup de copii

37

2.1. INDICATORII TENDINEI CENTRALE
n funcie de tipul variabilei se recomand folosirea unor diveri indicatori ai
tendinei centrale.

A. Media aritmetic
Este cel mai folosit indicator al tendinei centrale. Dac avem un eantion format
din N indivizi i notm valorile variabilei studiate cu X
i
, i=1,....,N (citim indicele i
lund valori de la 1 la N ), atunci media aritmetic a variabilei X, notat cu X este dat
de relaia:

X
N
X
X X X
N
i
i
N
N
1
1
1 2
...
(II.2.1.a)

1. n cazul eantioanelor mai mari, anumite valori pot s apar de mai multe ori
(ca de ex. n tabelul II.1); dac notm frecvena absolut de apariie a fiecrei valori x
j

cu n
j
, atunci media aritmetic se mai numete medie ponderat i este dat de relaia:

X
N
n X
j
j
K
j
1
1
(II.2.1.b)
unde K reprezint numrul de clase, iar frecvenele respect relaia:

N n
j
i
K
1
(II.2.1.c)

Observaie: n cazul n care o clas j nu conine numai indivizi care au exact aceeai
valoare X
j
ci apar variii (deci clasa reprezint de fapt un strat, atunci definim mai
nti media stratului j:
X
n
X
j
j
ij
i
n
j
1
1
(II.2.1.d)
i media pe ntregul eantion va fi:
X
N
X
ij
i
n
j
K j
1
1 1
(II.2.1.e)
2. n cazul unei variabile numerice continue, n loc de frecvena clasei folosim
valoarea funciei de distribuie, deci media aritmetic va fi definit prin:
X
X X
f x dx
X
X
1
max min
min
max
( ) (II.2.1.f)
B. Mediana
n cazul variabilelor ordinale este mai potrivit a folosi n loc de media aritmetic
un alt indicator, mediana definit astfel:

38

Definiie: Mediana este un indicator statistic al tendinei centrale care mparte
lotul n dou pri egale; 50% din indivizi au valori mai mici dect mediana, 50% au
valori mai mari.
Pentru calculul propriuzis al medianei se procedeaz astfel:
- se formeaz un ir ordonat cresctor al tuturor celor N valori
- dac N este impar (adic N=2p+1), atunci mediana

M
e
= X
p+1
(II.2.2.a)

Valoarea calculat cu (II.2.2.a) este considerat exact dac :

X X X
p p p 1 2

(II.2.2.a)

- dac N este par (adic N = 2p), atunci mediana M
e
este aproximat de

2
1 p p
e
X X
M
(II.2.2.b)

Valoarea dat de (II.2.2.b) este considerat exact dac:

X X X X
p p p p 1 1 2
(II.2.2.b)
sau

X X X X
p p p p 1 1 2

(II.2.2.b)

Dac nu sunt ndeplinite condiiile (II.2.2.a), (II.2.2.b) sau (II.2.2.b) atunci valoarea
care se repet de mai multe ori (de n
imi
) definete un interval median de lime h
im
;
mai notm frecvena cumulat pn la intervalul median (pn la limita inferioar
inclusiv) cu f
im
; n acest caz mediana poate fi aproximativ cu relaia:

im
im
im
im e
f
N
n
h
X M
2

(II.2.2.c)
unde:

f n
im i
i
im
1
1
(II.2.2.c)

Observaie: Dei nu este recomandabil, destul de des apare calculat media aritmetic
(fiind mai simplu de calculat) n loc de median n cazul variabilelor ordinale. n cazul
distribuiilor simetrice media aritmetic i mediana coincid; totui pentru distribuii
asimetrice ele au valori diferite!
C. Moda (modul)
n cazul variabilelor calitative (nominale), media aritmetic sau mediana nu au
sens; indicatorul tendinei centrale utilizabil se numete mod sau mod.
Definiie: Moda (Mo) reprezint cea mai frecvent valoare.
Moda poate fi definit i pentru variabilele numerice sau ordinale. Pentru
exemplul din tabelul II.1. moda este de 137 cm. n cazul distribuiilor simetrice pentru
variabilele numerice media aritmetic, mediana i moda coincid.

39

Poziia relativ a modei, medianei i mediei aritmetice pentru distribuii
asimetrice este vizibil n figura II.2.

Figura II.2. Moda, mediana i media aritmetic pentru distribuii asimetrice

Pentru variabile numerice, dac obinem o curb de distribuie cu un singur
maxim, ea se numete unimodal; n cazul n care are dou maxime (chiar dac
diferite), distribuia se numete bimodala (fig. II.3). Similar, pentru mai multe maxime
putem ntlni distribuii multimodale. n cazul populaiilor omogene ne ateptm doar
la distribuii unimodale. Depistarea unei distribuii bi sau multimodale este cel mai
adesea un indiciu al unei populaii neomogene din care s-a extras eantionul, fiind cel
mai probabil o suprapunere a dou populaii cu caracteristici diferite. Distribuiile bi-
sau multi-modale merit un studiu mai amnunit.
0
2
4
6
8
10
12
14
16
18
20
-6,5 -6 -5,5 -5 -4,5 -4 -3,5 -3 -2,5

Figura II.3. Distribuia bimodal: distribuia pragului de sensibilitate pentru detecia
gustului amar c=concentraia de chinin la care este sesizat gustul amar)
Observaie: n cazul variabilelor numerice alura graficului de distribuie depinde
puternic de modul n care definesc clasele (limea intervalelor). Deseori autorii sunt
tentai a lua limea clasei egal cu precizia cu care s-a efectuat msurarea (de ex.
pentru nlimea copiilor prezentat n tabelul II.1. precizia msurtorii a fost de 1 cm i
de aceea n figura II.1. s-a reprezentat distribuia conform acestei precizii). n
biostatistic se recomand ca numrul de clase utilizat s nu fie prea mare, astfel nct
fiecare clas s fie destul de reprezentat. Dac se noteaz cu X
m
i X
M

valorile
extreme gsite (minim, respectiv maxim), si cu N numrul total de indivizi din
eantion, atunci limea unei clase pentru histogram poate fi aproximat prin relaia:


40

h
X X
N
M m
1 3 322 , lg
(II.2.3)

(Pentru datele din tabelul II.1 obinem h 2,8 3 cm deci reprezentarea recomandabil
ar avea clasele de nlime ale copiilor de cte 3 cm: 124-126, 127-129, 130-132, 133-
135, 136-138, 139-141, 142-144, 145-147, 148-150 n total 9 clase n loc de 25).

D. Ali indicatori ai tendinei centrale
Foarte rar este posibil a ntlni i ali indicatori ai tendinei centrale:

- media geometric:
N
N
i
i g
X
/ 1
1
X
(II.2.4.a)

- media armonic:
N
i i h
X
N
1
X
1
(II.2.4.b)

2.2. INDICATORI DE DISPERSIE
Gradul de variabilitate al valorilor individuale ntr-o populaie, vizibil ntr-un
eantion se exprim printr-un set de parametri statistici numii indicatori de dispersie.
Exist mai multe posibiliti de a exprima acest grad de variabilitate:

A. Domeniul de valori (amplitudinea; engl. range)
Este un indicator simplu, furniznd doar informaii asupra ordinului de mrime
al variabilitii.

R = X
max
- X
min
(II.2.5.a)

unde X
min
i X
max
reprezint valoarea absolut minim, respectiv maxim ale variabilei
analizate.
Se folosete mai rar, de obicei n prezentarea prii introductive a studiului,
limitele vrstelor subiecilor dintr-un lot sunt adesea prezentate n acest mod.

B. Abatarea central. Eroarea medie absolut
Definiie: Distana unei valori individuale fa de valoarea medie se numete abatere
central:

i i
X X
Abaterile centrale pot fi pozitive sau negative. Ele au propietatea evident c:

i
0

41

De aceea, pentru a caracteriza gradul de variabilitate, se folososesc valorile
absolute ale abaterilor centrale. O mrime ce poate fi folosit ca msur a variabilitii
este:

a i i
m
N N
X X
1 1
(II.2.5.c)
i se numete eroare medie absolut.

C. Deviaia standard
Amplitudinea, definit anterior, nu ne spune nimic cu privire la repartiia
indivizilor ntre minim i maxim. Informaii mai complete primim dac urmrim i
aceast repartiie.
n figura II.1. am prezentat histograma nlimii pe un grup finit i destul de mic
(cca 300), avnd o precizie oarecum redus de exprimare a variabilei (precizia de 1
cm).
Ne putem imagina c, dac am efectua masurri cu precizie mult mai mare, pe
un lot foarte numeros, am putea obine curba real de distribuie a nlimilor ntr-o
populaie de copii de vrsta dat. S-a constatat c foarte multe mrimi observabile n
natur se pot reprezenta print-o curb de distribuie simetric fa de valoarea medie,
sub forma unui clopot, numit clopotul lui Gauss sau curba distribuiei normale
(fig. II.4).
Ecuaia curbei lui Gauss este:

2
2
2
) (

2
1
) (
x
e y x f
(II.2.6.a)

Observm c n ecuaie apar 2 parametri: i .
. este indicatorul tendinei centrale, reprezint media i este valoarea n
jurul creia curba este simetric;
. este indicatorul de dispersie, se numete deviaie standard sau abatere
standard i arat gradul de mprtiere a curbei n jurul mediei.
Deviaia standard n curba lui Gauss permite urmrirea repartiiei valorilor
individuale n jurul valorii medii conform fig. II.4.
Figura II.4. Distribuia normal

42

Analiznd figura putem spune c valorile individuale
i
X se vor gsi n
intervalele:

) , (
i
X
n 68% din cazuri

2 , 2 (
i
X
n 95,4% din cazuri
(II.2.6.b)

3 , 3 (
i
X
) n 99,7% din cazuri
n cazul lucrului pe un eantion, n loc de media populaiei se va folosi
media eantionului, X , iar n loc de deviaia standard a populaiei se va folosi deviaia
standard a eantionului (abatere standard) care se calculeaz cu relaia:

1
) (
1
2 2
n
X X
n
s
i i
(II.2.7.a)

Exemplu: n urma unui studiu pe un eantion format din n = 25 copii de 10 ani,
n care am gsit nlimea medie X = 137 cm i deviaia standard S = 5 cm putem
afirma c cca 68% din copiii de 10 ani au nlimea cuprins ntre 132 cm ( X S) i
142 cm ( X S), cu alte cuvinte, probabilitatea ca nlimea unui copil s fie ntre 132 -
142 cm este 68%.

n general, vom scrie astfel:
X X S X S
i
( , ) cu p = 68,3%
) 2 , 2 ( S X S X X
i
cu p = 95,4% (II.2.6.c)
X X S X S
i
( , ) 3 3 cu p = 99,7%

Definiie: putem acum defini deviaia standard: S reprezint gradul de variaie a
valorilor individuale n jurul mediei eantionului.
Mrimea

S
n
X X
i
2 2
1
1
( )
(II.2.7.b)

se numete dispersie, sau abatere patratic sau varian.
Deseori se raporteaz indicatorul de dispersie la valoarea medie obinnd o nou
mrime numit coeficient de variaie exprimat n procente prin:
C.V. = 100*S/ X (II.2.7.c)
Fiind o mrime relativ, se pot compara cu ajutorul ei serii avnd valori cu
ordine de mrimi diferite.
Pentru loturi foarte mari, n formulele (II.2.7.a) i (II.2.7.b) se folosete n n loc
de n-1.
D. Eroarea standard a mediei
Scopul principal al unui studiu statistic este carcterizarea populaiei, nu a
eantionului. Din exemplul folosit pn acum, am putea oare rspunde la ntrebarea
Care este nlimea medie a copiilor de 10 ani din Timioara? Este mare tentaia de a
rspunde: 137 cm (media eantionului). Nu se poate ns s nu ne dm seama c este

43

foarte posibil ca, repetnd msurtorile, pe un alt eantion, s obinem alt valoare
medie, de exemplu 135,8; pe un al treilea eantion 137,6 i aa mai departe. Este vreuna
din aceste valori mai demn de ncredere dect celelalte? Nicidecum! Valoarea
adevrat a mediei populaiei, , se poate obine experimental numai fcnd msurtori
pe ntreaga populaie. Concluzia pare demoralizant la prima vedere. Totui, adesea nu
este necesar cunoterea foarte exact a unui parametru, fiind suficient ncadrarea lui
ntr-un interval suficient de ngust. S vedem care sunt cile pentru estimarea acestui
interval.
Presupunem c din populaia studiat facem msurtori pe toate eantioanele
posibile de aceeai dimensiune n, obinnd mediile X X X X
j T 1 2
, ..., ...,
, ,
. Vom avea
evident media populaiei:

1
1
T
X
j
j
T
(II.2.1.g)

Analiznd distribuia acestor medii ale eantioanelor vom observa (fig. II.5.a) c i ele
se aranjeaz aproximativ dup o curb Gauss, (dac eantioanele sunt destul de mari, n
30) avnd fa de curba din fig. II.4. dou deosebiri:
a. variaiile mediilor eantioanelor se ntind pe un interval mult mai ngust
dect variaiile valorilor individuale;
b. valoarea n jurul creia sunt simetrice variaiile este media populaiei.
0
10
20
30
40
50
60

Figura II.5. Distribuia mediilor eantioanelor
Distribuia mediilor eantioanelor este caracterizat prin parametrii = media
populaiei i
X
eroarea standard a mediei dat de formula:

X
N / (II.2.8.a)
unde N = volumul populaiei i = deviaia standard.
S aplicm formula (II.2.8.a) care pentru exemplul nostru concret devine:
S
S
n
X
(II.2.8.b)

44

pentru eantioane foarte mari, iar pentru eantioane mici folosim

S
S
n
N n
N
X
.
1
(II.2.8.c)
unde n = mr. indivizi din eantion, N = volumul populaiei.
Deci nlocuind datele din exemplu avem:
S cm
X
5 25 1 /
Conform analizei schematizate n figura II.5.b putem afirma c 68% din mediile
eantioanelor de cte 25 copii vor avea media cuprins n intervalul (137 - 1, 137 + 1)
adic ntre 136 i 138 cm, sau n alte cuvinte, probabilitatea ca media unui eantion
oarecare s fie cuprins ntre 136 - 138 cm este 68%; Evident, nu pretindem c tim cu
exactitate media populaiei, , dar avem deja o localizare satisfctoare a sa, avnd
posibilitatea de 68% de a fi ncadrat n intervalul 136 - 138 cm.
Generaliznd, putem scrie:

( , ) X S X S
X X
cu p = 68,3%
( , ) X S X S
X X
2 2 cu p = 95,4% (II.2.8.d)
( , ) X S X S
X X
3 3 cu p = 99,7%

Definiie: Eroarea standard a mediei: S
x
reprezint gradul de variaie al
mediilor eantioanelor n jurul mediei populaiei.
Cu alte cuvinte, chiar dac printr-un studiu pe un eantion nu putem preciza cu
exactitate parametrii caracteristici ai populaiei, putem totui s i localizm n anumite
intervale, operaie care se numete estimare i care va fi analizat detaliat ulterior.
S observm ns c avem o relaie de invers proporionalitate ntre posibilitatea
ncadrrii ntr-un interval i limea intervalului: cu ct suntem mai siguri pe localizare,
cu att intervalul este mai larg. De aceea trebuie s gsim un compromis ntre sigurana
localizrii i limea intervalului. Experina arat c o localizare cu precizie de 95% este
satisfctoare din ambele puncte de vedere i vom accepta aceast valoare pe tot
parcursul cursului nostru.
E. Indicatori de dispersie ai variabilelor ordinale
Indicatorii de dispersie descrii anterior, deviaia standard i eroarea standard a
mediei sunt folosii n special pentru variabilele cantitative propriu-zise. n cazul
variabilelor ordinale, dei se poate folosi i deviaia standard (i eroarea standard a
mediei), se recomand folosirea unor indicatori specifici. Pentru a nelege aceti
indicatori de dispersie vom introduce mai nti ali parametri:
a. Cuantile. Indicatorul tendinei centrale specifice variabilelor ordinale,
mediana, era definit ca valoarea care mparte lotul n dou pri egale.

Figura II.6. Mediana, Cuartile, Decile pentru N=20

45

Putem, prin analogie, defini diverse alte mrimi numite cuantile: ca fiind
valorile care mpart lotul n n subclase echinumerice. Denumirile lor sunt prezentate n
tabelul II.2.

Tabel II.2. Cuantile uzuale
Nr. clase Simbolul valorilor Denumire Observaii
2 Me mediana
4 Q1, Q2, Q3, cuartile Q2 = Me
10 D1, D2, ..., D9 decile D5 = Me
100 C1,C2,... C99 centile C50=Me
C10 = D1, etc.
1000 P4, M2, ...,M999 promile M10 = C1...

b. amplitudinea intercuatile (variaie intercuatile):

2 /
1 3
Q Q Q
ed
(II.2.5.b)

este o msur a variabilitii, valorile mai mari exprimnd o variabilitate mai mare

c. coeficientul de variaie inter-cuartil:

C Q
Q
M
Q Q
Q Q
d
e
. .
3 1
3 1
(II.2.5.c)

joac rolul coeficientului de variaie dat de (II.2.7.c) i are valori ntre -1 i +1.
F. Indicatori de dispersie ai variabilelor nominale
Pentru variabilele nominale indicatorul preferat al tendinei centrale este moda;
fiecare calsa i este caracterizat prin procentul din eantionul de volum n:
p
n
n
i
i
100. (II.2.9.a)

unde n
i
este frecvena absolut a clase i.
Deviaia standard a procentului este dat de relaia:

S
p q
n
p
i i
.
(II.2.9.b)

unde:
i i
p q 100 (II.2.9.c)

n cazul unei populaii finite de volum N

S
p q
n
N n
N
p
i i
*
1
(II.2.9.d)


46

Pentru eantioane suficient de mari, procentul n eantion are distribuie normal i
permite interpretri similare cu cele prezentate anterior.

2.3. MEDII DE PUTERI: MOMENTE. MOMENTE CENTRATE
Abordarea teoretic a parametrilor statistici caracteristici unui set de valori
permite generalizarea unor relaii. S ne oprim puin la definiia mediei aritmetice.
X
N
X
i
1

Aceast mrime se mai numete i moment de ordin 1, valorile individuale X
i

fiind ridicate la puterea 1 i apoi mediate.
Prin generalizare numim moment de ordin r marimea:

X
N
X
i
r
1
(II.2.7.d)
Pentru r = 2, X
2
este media ptratic, pentru r = 3,
X
3
este media cubic,
pentru r = -1, X
h
este media armonic.
Dac n locul valorilor individuale folosim abaterile centrale, momentele
obinute se vor numi momente centrate, deci pentru momentul centrat de ordin r avem
formula:
m
N
X X
cr i
r
1
( ) (II.2.7.e)
Observm c pentru r = 1 avem m
c1
0, iar pentru r = 2 obinem
2
2
s m
c

(dispersia).
Din cele relatate pn aici putem sesiza c momentele de ordin 1 dau informaii
asupra indicatorilor tendinei centrale, iar cele de ordin 2, asupra indicatorilor de
dispersie. Celelalte momente ne dau informaii utile; s le analizm pe scurt.
2.4. ASIMETRIA
Momentele de ordin 3 dau informaii asupra simetriei distribuiei.
a. Se definete un parametru numit indice de asimetrie (engl. skewness) prin
relaia:

m
N
x x
c i 3
3
1
( ) (II.2.10.d)
Pentru m
c3
0 distribuia este simetric,
m
c3
0 asimetrie la stnga (II.2.10.b)
m
c3
0 asimetrie la dreapta (fig. II.2)
Pentru aprecierea asimetriei s-au propus i alte relaii:
b. Coeficientul de asimetrie Pearson:

M X
S
0
(II.2.10.c)
unde X = valoarea medie

47

M
0
= moda
s = deviaia standard
Dup distribuia este simetric sau asimetric la stnga/dreapta la fel ca
dup m
c3
. (fig. II.7.)
c. Coeficientul de asimetrie intercuantil:

( ) ( )
( ) ( )
Q M M Q
Q M M Q
Q Q M
Q Q
e e
e e
e 3 1
3 1
3 1
3 1
2
(II.2.10.d)
avnd valori ntre +1 i -1, cu 0 pentru distribuii simetrice.
d. Coeficientul bazat pe momentele centrate:

m
m
c
c
3
2
2
2
(II.2.10.e)
cu interpretri similare cu indicele de asimetrie.

2.5. EXCESUL
Excesul este un parametru ce d informaii asupra gradului de turtire/boltire
(limba engleza kurtosis). Se calculeaz cu relaia:

m
m
c
c
4
2
2
(II.2.11.a)
unde m
c4
este momentul centrat de ordin 4 dat de:

Figura II.5. Excesul (turtirea / boltirea)
m
N
X X
c4
4
1
( ) (II.2.11.b)
Pentru distribuia normal = 3
Alte distribuii: distribuii mai turtite ( 3) sau distribuii mai boltite ( 3) - (fig.
II.8).


48

3. DISTRIBUII
Am utilizat frecvent termenul de distribuie fr s ne ocupm detaliat de el.
ncercm n cele ce urmeaz s aducem cteva precizri.
3.1. FUNCIA DE DISTRIBUIE
Definiie: Dac x este o variabil independent, reprezentnd valorile posibile ale unui
parametru urmrit ntr-un studiu statistic atunci funcia
y = f (x), cu
) (
i i
x x p y

care ne arat probabilitatea de a ntlni valoarea x ntr-o populaie se numete funcie
de distribuie.

Observatii:
uzual se folosete nu o funcie continu ci una discret, n care valoarea
funciei reprezint probabilitatea de a ntlni mrimea studiat ntr-un interval
(x
i
, x
i+1
)
vom face distincie ntre distribuiile teoretice (n care calculm valorile
funciei) i cele experimentale (n care valorile funciei au rezultat n urma
unor msurtori).

3.2. FUNCII DE DISTRIBUIE UZUALE
n cele ce urmeaz vom aminti doar trei funcii de distribuie mai des ntlnite:

a. Distribuia uniform
f p x x k
xi
i
( )
( ) (II.3.1.b)
Experimental se obin diverse fluctuaii (fig. II.6.a)
Exemplu: probabilitatea de a arunca cu zarul valorile 1-6 este 1/6 pentru fiecare
aruncare. Dup 100 de aruncri obinem o situaie ca n fig. II.6.a.

b. Distribuia normal descris de formula (II.2.6.a) avnd forma unui clopot.
Reprezentarea n fig. II.6.b.

c. Distribuia binomial (util n studiul variabilelor calitative)
Exemplu: probabilitatea de a extrage o bil alb dintr-o urn cu N bile dintre care A bile
albe i B bile negre (A+B=N) este: p = A / N. Dup extragere bila se introduce napoi n
urn (Bernoulli).
Dac din urn se scot n bile atunci numrul x de bile albe extrase are o repartiie
binomial:

x n x
x
q p C f
x
n ) (
x = 0,1, ....., n (II.3.1.c)

49

Figura II.6 Distribuii: a: uniform, b: normal, c: binomial

Funcia de repartiie
Uneori, n loc de funcia de distribuie, care ne d probabilitatea p
1
ca variabil
studiat x s aib o anumit valoare x
1
(sau ncadrat ntr-un interval n jurul lui x
i
), se
folosete o alt funcie numit funcie de repartiie:
y p x x
r i
( ) (II.3.1.d)

Figura II.7. Funcia de repartiie pentru distribuia uniform (stanga) i normal (dreapta)
funciile de repartiie sunt redate cu linie ntrerupt, iar cele de distribuie cu linie continu

n cazul funciilor experimentale discrete, funcia de repartiie ne d frecvenele
cumulate pentru toate clasele inferioare. Pentru distribuiile uniform i normal,
funciile de de repartiie sunt redate n figura II.7.


50

Distribuia Gauss normalizat
Funcia de distribuie normal (Gauss) dat de formula (II.2.6.a) este simetric
fa de . Dac am face o schimbare de variabil y = x - ea ar deveni simetric fa
de origine i ar mai depinde numai de un parametru: . Dac am mai face nc o
schimbare de variabil, (practic alegnd uniti de msur convenabile), putem obine
= 1, deci pentru
Z
x
(II.3.1.e)
obinem curba de distribuia Gauss normalizat (media=0, deviaia standard = 1), sau
distribuia Z:

f Z e
Z
( )
1
2
2
2 (II.3.1.f)
Deoarece funcia Gauss nu se poate integra, valorile funciei de repartiie pentru
forma normalizat se gsesc n tabele n crile de statistic; de asemenea, programele
de prelucrri statistice calculeaz aceste valori.
n afar de distribuiile pomenite pn acum exist numeroase alte tipuri de
distribuii pe care le ntlnim n cercetare i n practica biomedical.
4. ESTIMAREA STATISTIC
Am vzut n paragrafele precedente c studiul unei populaii se efectueaz
practic pe o submulime a sa, pe un eantion, iar concluziile obinute pe un eantion le
vom extinde - prin operaia de inferen statistic - la nivelul ntregii populaii. n timp
ce concluziile noastre reprezint afirmaii adevrate efectiv doar pentru eantion, la
nivelul populaiei ele au aceeai valoare de adevr numai cu o anumit probabilitate -
vom spune c estimm parametrii populaiei pornind de la valorile obinute pe
eantion. Pentru a pstra rigurozitatea exprimrilor consacrate n acest domeniu, vom
preciza civa termeni uzuali.
4.1. NOIUNEA DE ESTIMATOR
a. Terminologie
Mrimile caracteristice ale unei populaii se numesc parametri i au de obicei ca
simboluri literele greceti. Exemple: media populaiei , deviaia standard a populaiei
, eroarea standard a mediei
x
.
Mrimile carcteristice ale unui eantion se numesc statistici sau indicatori i au
de obicei simboluri litere latine. Exemple: media eantionului X , deviaia standard S,
eroarea standard a mediei S
x
.
ntr-un studiu noi nu cunoatem parametrii populaiei ci doar determinm
statisticile eantionului, fiecare folosit pentru a aproxima cte un parametru al
populaiei i numit estimator. De exemplu: Vom spune c media eantionului X este
un estimator al mediei populaiei . Deseori estimatorii se noteaz cu simbolul :
est x x sau
s s est ( ).

51

Valoarea pe care o are un estimator ntr-o determinare concret se numete
estimaie. De exemplu n studiul asupra dezvoltrii copiilor, estimatorul pentru
nlimea medie a copiilor de 10 ani era media nlimii copiilor din eantion iar
determinarea concret avea estimaia 137 cm.
b. Tipuri de estimri
Conform definiiilor de mai sus un estimator aproximeaz n general valoarea
unui parametru; n acest caz el se numete estimator punctual.
Caracteristica esenial a unui estimator punctual este cea de a fi nedeplasat.
Avnd n vedere faptul c prin inferen noi nu mai pstrm o ncredere deplin
n estimrile punctuale, pentru exprimarea probabilist a ncrederii rmase prin
inferen vom ncerca localizarea parametrului ntr-un interval; vom numi aceste
aproximaii estimri prin intervale. Aceste estimri sunt cele mai uzuale, iar n cele ce
urmeaz ne vom referi numai la ele.
Lrgimea intervalului de ncredere n care vrem s localizm un parametru este
dependent de probabilitatea ncrederii pe care o dorim i anume: cu ct
probabilitatea de a localiza parametrul este mai mare, cu att intervalul de ncredere este
mai larg, deci probabilitatea de a grei este mai mic. ns creterea nivelului de
ncredere nu ne folosete prea mult dac intervalul devine att de larg nct nu ne mai
furnizeaz informaii. Folosind exemplul discutat anterior observm c dac localizm
media populaiei cu un nivel de ncredere de 68%, intervalul este ngust: (136,138);
pentru 95% devine (135,139), la 99,7% este (134,140) .a.m.d. Este deci nevoie de a
gsi un compromis, un nivel de ncredere care s ofere att o localizare satisfctoare
ct i o probabilitate ridicat de a fi adevrat localizarea estimat, deci o probabilitate
mic de a localiza greit parametrul. Practica a demonstrat c un nivel de ncredere de
95% satisface optim cerinele n majoritatea cazurilor concrete. De aceea vom considera
n continuare c nivelul de ncredere este de 95% (exceptnd cazurile n care vom
meniona n mod expres c am ales alt valoare). Atragem ns atenia c acest nivel
este convenional.
Probabilitatea de a localiza greit parametrul analizat se noteaz cu i se poate
exprima nivelul de ncredere (n.i.) prin relaia:
n.i. = 1- (II.4.1)
c. Principalele tipuri de estimri
Dei ne-am oprit pn acum n exemplele discutate asupra estimrii mediei
populaiei, n diferite studii ne putem concentra atenia asupra unei palete mai largi de
parametri. n cadrul cursului ne vom opri la estimarea urmtorilor parametri:
- media populaiei - n cazul eantioanelor mari / mici
- diferene ntre medii
- proporia unei / unor clase
- diferene ntre proporii.
4.2. ESTIMAREA MEDIEI POPULAIEI
A. Pentru eantioane mari (N 30)
a. Distribuia mediilor eantioanelor
n exemplul cu studiul dezvoltrii copiilor, n care am fcut referiri la nlimile
copiilor dintr-un eantion, am afirmat c, dac reprezentm grafic mediile eantioanelor
extrase din aceeai populaie obinem o distribuie normal numai pentru eantioane
mari.

52

b. Formule
n acest caz, pentru = 5% (n.i. = 95%) avem:

x x
S 96 , 1 ; S 96 , 1 X X (II.4.2.a)
Valoarea 1,96 reprezint valoarea funciei Z (distribuia Gauss normalizat)
pentru a cuprinde n intervalul de mai sus 95% din arie (am vzut n cursul precedent c
pentru Z = 2 cuprindeam 95,4% din aria de sub curb) (fig. II.10.).

Figura II.10. Relaia lui Z cu pragul de semnificaie i cu nivelul de ncredere 1 -

Aceast valoare se mai noteaz Z
2
indicele avnd aici semnificaia c aria
rmas neinclus este /2 = 2,5% (cte 2,5% n fiecare parte). Obs: n unele cri se
noteaz Z
1- /2
. Deci ntr-o form mai 52eneral putem scrie:

x x
S Z X S Z X
2 / 2 /
; (II.4.2.b)
iar pentru Z
/2
vom lua o valoare din tabelul II.3.

Tabel II.3. Valorile scorului Z al distribuiei normale
Nivel incredere (1 - ) 0,68 0,90 0,95 0,98 0,99
Prag de semnificaie 0,34 0,10 0,05 0,02 0,01
2 /
z 1,00 1,65 1,96 2,33 2,58

De obicei manualele conin anexe n care sunt prezentate diverse tabele.


53

c. Exemplul II.2.
Pe un eantion de 144 sportivi se gsete pentru VEMS (volumul expirator
maxim n 1 secund) valoarea medie X = 4,84 i deviaia standard S = 0,36. S
estimm n ce interval gsim media populaiei cu nivel de ncredere de 98%.
Avem:
S S N
x
/ , / , 0 36 144 0 03 l

Pentru 1 - = 98% gsim Z
/2
= 2,33, deci:
), 33 , 2 03 , 0 84 , 4 ; 33 , 2 03 , 0 84 , 4 (
X
4,91). ; (4,77 X
adic , 07 , 0 84 , 4 ; 07 , 0 84 , 4
X
Cu alte cuvinte, avem ncredere de 98% c adevrata medie a VEMS pentru
sportivi s fie ntre 4,77 i 4,91, ceea ce nseamn ca probabilitatea ca media VEMS la
sportivi s fie n afara acestui interval este sub 2%.
B. Pentru eantioane mici (N 30)
a. Distribuia mediilor eantioanelor
Dup cum am mai specificat anterior, distribuia mediilor eantioanelor poate fi
considerat distribuie normal numai n cazul eantioanelor mari. n cazul
eantioanelor mici (considerate convenional mici dac N 30), mediile eantioanelor
au o distribuie t (sau distribuie normal, ns mai turtit - figura II.11); curba este cu
att mai turtit (deci mai diferit de curba Gauss) cu ct eantionul este mai mic.

b. Formule
Curba de distribuie t depinde deci de mrimea eantionului care va fi
caracterizat printr-un parametru, notat cu , numit numr de grade de libertate i dat
de relaia:
= N - 1 (II.4.3)

Lrgimea intervalului n care localizm media populaiei va fi dat de relaia:
) ; (
, 2 / , 2 /
X X
v
S t X S t X (II.4.4)
Relaia (II.4.4.) este foarte asemntoare cu (II.4.2.b)

Figura II.11. Distribuia t. Valorile lui t care las cte 2,5% arie n fiecare parte (deci n.i.
= 95%) sunt cu att mai mari cu ct eantionul este mai mic

54

Din tabelul II.4. se poate observa apropierea lui t de z pe msur ce crete
dimensiunea eantionului.

Tabel II.4. Valorile lui t pentru cteva nivele de ncredere (1- ) i grade de libertate ( )
1-

0.90 0.95 0.99
1 6,31 12,7 63,7
2 2,92 4,30 9,92
5 2,01 2,57 4,03
10 1,81 2,23 3,17
30 1,70 2,04 2,75
1,65 1,96 2,58

c. Exemplul II.3
Considerm din nou exemplul anterior, cu valoare medie a VEMS pe un lot de
sportivi X 4 84 , l i S =0,36 l, dar s presupunem acum c am efectuat determinrile
pe un lot de numai N = 16 sportivi. S vedem n ce msur este influenat intervalul n
care putem localiza media populaiei cu precizie de 98%. n primul rnd:
S S N
x
/ , / , . 0 36 16 0 09 Apoi pentru 1- = 98% i =16-1=15 grade de
libertate gsim n tabelul distribuiei t valoarea 60 , 2
, 2 /
t deci:

2,60 0,09 4,84 ; 60 , 2 09 , 0 84 , 4
X (4,84 - 0,23 ; 4,84 +0, 23)

X (4,60 ; 5,08).

Observm c pierderea de precizie n localizare este imens, intervalul fiind de
peste 3 ori mai larg comparativ cu localizarea obinut pe un eantion mare.
De aceea, dup cum vom vedea chiar n ncheierea acestui subiect, n
biostatistic putem calcula o dimensiune minim a eantionilui pentru a putea obine
localizri ale mrimilor estimate n intervale suficient de nguste i cu nivel de ncredere
satisfctor de ridicat.
4.3. ESTIMAREA PROCENTELOR
a. Distribuia procentului n eantion
n cazul variabilelor calitative (nominale), indivizii dintr-un eantion sunt grupai
n clase; distribuia de acest gen se numete distribuie binominal. n cazul unei
populaii avem deci cte un procent real
i
pentru fiecare clas i:

1 2 ... i ... k

1

2
...
i
...
k
(II.4.5)

La extragerea unui eantion din populaie vom obine procentele p p p
k 1 2
, ,...., , cu
deviaiile standard ale procentelor date de relaia:

S
p p
N
p
( ) 1
(II.4.6)

55

Dac repetm extragerea eantionului, fiecare procent p
i
va prezenta variaii.
Pentru eantioane mari procentele prezint o repartiie normal (pentru procente nici nu
se poate lucra pe eantioane mici!).
b. Formule
Vom putea deci aplica scorul Z, la fel ca n cazul mediilor, deci:

pi i pi i i
S Z p S Z p p
2 / 2 /
; (II.4.7)

c. Exemplul II.3
Dintr-un lot de 80 de indivizi, 24 au grupa sanguin A. Care este proporia real
a grupei sanguine A n populaia studiat cu nivel de ncredere de 95%.

% 30
80
24 100
p
; % 12 . 5 0512 . 0
80
7 . 0 3 . 0
p
s
p (30 1.96*5.12; 30 + 1.96*5.12) sau
p (30 - 10, 30 + 10), adic p (20% ; 40%)
Cu alte cuvinte, din studiul efectuat putem face doar afirmaia c procentul de
rspndire al grupei A este ntre 20% i 40%, cu nivel de ncredere de 95%.
Dac aceeai proporie, de 30% o gseam pe un lot de 800 de indivizi (240 din
800), obineam S
p
1.62% i p (26,8%; 33,2%).
4.4. ESTIMAREA DIFERENELOR
n numeroase studii urmrim nu att valorile absolute ale unor parametri, care au
mprtieri naturale destul de largi, ci n special variaiile mrimilor. Aceste variaii pot
fi urmrite att pentru valorile propri-zise (medii ale eantioanelor), ct i pentru
proporiile din eantioane ce aparin unei clase.

A. Diferene ntre medii
a. Pentru loturi diferite
Exemplu II.4. care este diferena de nlime ntre bieii i fetele de 10 ani?
Evident, rspunsul se d dup un studiu n care obinem, pe dou loturi, valori de genul:
cm S cm X n
B B B
1 , 5 , 2 , 137 , 25
cm S cm X n
F F F
1 , 5 , 6 , 138 , 25
Estimarea diferenei se face prin:
cm X X d
F B
X
B
4 , 1 (II.4.8.)
Intervalul de ncredere se apreciaz cu ajutorul deviaiei standard estimate prin
diferene:

F
F
B
B
d
n
S
n
S
S
2 2
(II.4.9.)

pentru loturi mari ( n
1 2
30
,
) ncadrarea o vom face dup

56

( ; )
/ /
d d Z S d Z S
x x d d
2
2 2
(II.4.10.a)

pentru loturi mici ( n
1 2 ,
30)

( ;
/ , / ,
d d t S d t S
x x d d
1 2
2 2
) (II.4.10.b)

b. Pentru serii perechi
Vom considera n continuare un caz aparte, ntlnit destul de des. S ncepem cu
un exemplu.
Exemplul II.5. Un medicament antihipertensiv poate fi testat fie considernd
dou loturi - unul tratat i unul martor - fie lucrnd pe un singur lot i facnd un set de
msurtori ale tensiunii arteriale nainte de tratament, respectiv dup tratament. Este
perferat ultima variant. n acest caz vom avea, pentru fiecare individ i din lot efectul
exprimat sub form de diferen dintre dou valori:
d X X
i i i 2 1
(II.4.11.)
unde X
2i
este valoarea dup tratament iar X
1i
este valoarea nainte de tratament.
Eroarea standard a diferenelor este dat de relaia:

S
d d
n n
d
i
( ) 1
2
(II.4.12.)
Estimarea diferenei pentru serii perechi va fi dat tot de relaiile (II.4.10.a) sau
(II.4.10.b).

B. Diferene ntre procente
Asemntor cu raionamentele deja prezentate pn acum, putem ncadra i
estimarea diferenei a dou procente:
d
p
= p
2
- p
1
(II.4.13.)
Pentru eroarea standard a diferenei a dou procente folosim formula:

s
p p
n
p p
n
pd
1 1
1
2 2
2
1
1
1
1
( ) ( )
(II.4.14.)
Intervalul de ncredere al estimrii va fi:

( ; )
/ /
d d Z S d Z S
p pd pd 2 2
(II.4.15.)
4.5. CALCULUL MRIMII EANTIONULUI
Cea mai important consecin a studiilor privind ncadrarea unui parametru ntr-
un interval este calculul mrimii eantionului. Am vzut c lrgimea intervalului n care
ncadrm estimaia depinde puternic de dimensiunea eantionului (n). Aceast
dependen ne poate folosi la evaluarea mrimii eantionului astfel nct s obinem
ncadrarea parametrului populaiei ntr-un interval rezonabil de ngust.
Exemplul II.6. Dorim s determinm nlimea medie a copiilor de 10 ani cu
precizie de 1 cm , avnd un nivel de ncredere de cel puin 95%. Ce dimensiune
minim trebuie s aib eantionul?


57

Conform relaiei (II.4.2.b) vom avea:

Z S S
x x /
,
2
1 96 1
cm, adic:
S
x
1 1 96 / ,
0,5 cm.
Pentru calculul lui n ar trebui cunoscut gradul de mprtiere a valorilor
nlimii pentru populaie, exprimat prin deviaia standard a populaiei ; de obicei
acest mrime nu este cunoscut i n locul ei se folosete o estimare a deviaiei
standard S obinut ntr-un studiu pe un eantion. n cazul exemplului nostru,
considernd c ntr-un studiu anterior s-a gsit S = 6 cm, din relaia (5.8.b) obinem:
n S S
x
( / )
2
(II.4.16)
n care nlocuind valorile din exemplu
n = (6 / 0,5)
2
= 144.
Deseori nici s nu este cunoscut i atunci fie facem un studiu preliminar fie l
aproximm pe s cu relaia:
S = (X
max
- X
min
)/6 (II.4.17)
n care X
min
i X
max
reprezint valorile extreme la care ne-am atepta, evaluate conform
experienelor noastre anterioare.
5. TESTE STATISTICE
5.1. NOIUNI GENERALE
A. Diferene semnificative i nesemnificative din punct de vedere statistic
n exemplul nostru cu nlimea copiilor nu am fcut pn acum distincie ntre
biei i fete. Un studiu asupra dezvoltarii copiilor ar trebui s in cont de evoluia
hormonal diferit care va genera dezvoltarea somatic diferit. Vom dezvolta exemplul
nostru astfel:
Exemplul II.7. Pe un lot de 36 de biei de 10 ani obinem pentru nlime
urmtoarele rezultate: n
B
36 , x cm
B
137 , S
B
=12 cm, deci S
x
B
cm 2
, iar pe un grup
de 36 fete de aceeai vrst: n
F
= 36, X cm
F
140 12 2 , S cm, deci S cm.
F X
F

ntrebare: diferenele observate arat c fetele de 10 ani sunt mai nalte dect bieii sau
pot s fie atribuite ntmplrii?
S remarcm mai nti c diferenele observate n cursul unor studii pot fi
clasificate n dou categorii:
1. - diferene ce pot fi atribuite ntmplrii (variabilitii de eantionare);
acestea vor fi numite diferene nesemnificative
2. - diferene ce pot avea alte cauze numite diferene semnificative.
S analizm datele de mai sus: pentru un nivel de ncredere de 95%, Z
0,95
= 2,02
2 deci
B
(133,141), cu alte cuvinte avem probabilitatea de 95% ca media unui alt
eantion, extras din aceeai populaie (de biei) s se gseasc n intervalul 133 - 141
cm. Faptul c pentru un eantion, cum ar fi grupul de fete, am gsit media 140 s-ar
putea datora deci, n mare msur, ntmplrii. Accentum exprimarea n mare
msur, fiindc aici apare un arbitrar; noi am apreciat intervalul (133; 141)
considernd un nivel de ncredere convenional de 95%. Acceptnd aceast convenie
ajungem la concluzia c, dac media nlimii fetelor este de 140, acest lucru nu ne
ndreptete s afirmm c fetele sunt mai nalte fiindc sunt anse mari ca diferene de
acest gen s apar din ntmplare. n schimb, dac obinem pentru fete nlimea medie
X
F
I
142 cm, aceast valoare cdea n afara intervalului (133 ; 141); probabilitatea ca

58

s obinem din ntmplare media unui eantion n afara acestui interval este sub 5%; n
acest caz noi vom considera c nu din ntmplare s-a obinut aceast valoare i c
diferenele sunt semnificative (fig. II.12).
S facem dou observaii importante:
1. - pragul de 5% pe care l-am folosit n exemplul nostru pentru a decide dac
diferenele vor fi considerate semnificative sau nesemnificative este convenional; el se
numete prag de semnificaie i este considerat 5% n majoritatea cazurilor;
2. - concluziile au un caracter pur probabilist; dac obinem X
F
I
i spunem c
fetele sunt mai nalte, s nu uitm c exist o anumit probabilitate, chiar dac este mic
(sub 5%) ca s fi obinut asemenea valori din ntmplare, adic n realitate s nu avem
diferene semnificative.
De asemenea faptul c pentru cazul X
F
= 140 spunem c diferenele de nlime
ntre biei i fete nu sunt semnificative din punct de vedere statistic nu nsemn c n
realitate nu avem diferene semnificative - numai faptul c din msurtorile efectuate
nu putem afirma c ar fi statistic semnificative.
De aceea n analiza statistic pe care o efectum cnd aplicm testele statistice
pornim cu formularea unei ipoteze, pe care o vom accepta sau respinge cu o anumit
probabilitate.
5.2. IPOTEZE STATISTICE
Testele statistice prin care se realizeaz o comparaie ncep cu enunarea unei
ipoteze privind un rezultat posibil al compariei, numit ipotez statistic, pe care o
putem defini astfel:
Definiie: Ipoteza statistic este o propoziie coninnd o afirmaie sau
negaie privind un parametru al unei populaii sau o lege de distribuie.
Ipotezele au diferite variante de formulri, de aceea le vom defini la nceput n
cazuri nu foarte generale.

Figura II.12. Ilustrarea diferenelor nesemnificative i semnificative din exemplul II.7
A. Ipoteza de zero
Ipoteza de zero face ntodeauna afirmaia ca ntre elementele pe care le
comparm nu exist diferene semnificative.

59

Ipoteza de zero se noteaz prescurtat de obicei cu H
0
i se mai numete ipotez
de nul sau ipotez nul (impropriu).
Exemplu: n cazul n care comparm nlimea medie a bieilor i fetelor,
ipoteza de zero s-ar scrie:

H X X
B F 0
:
(II.5.1)
Alte enunuri echivalente:
- diferenele observate se datoresc numai ntmplrii
- nu putem afirma c ntre cele dou valori (serii, distribuii) exist diferene
semnificative.

Prin ipoteza de zero putem compara:
- o valoare medie (obinut pe un lot) cu valoare dat (numr)
- dou valori medii (dou loturi) - cel mai adesea
- o distribuie experimental cu una teoretic
- dou distribuii experimentale
- dou dispersii
- mai multe valori medii
- mai multe dispersii, etc., etc.
B. Ipoteze alternative
Propoziiile care sunt adevrate cnd/dac H
0
nu este adevrat se numesc
ipoteze alternative i se noteaz cu H
a
sau H
1
.
Ipotezele alternative se pot cel mai simplu exemplifica n cazul comparrii a
dou valori medii
F B
X X ; . Vom putea avea situaiile:
a. X
B
X
F
(nlimea bieilor este diferit de a fetelor)
b. X X
B F
(bieii sunt mai nali dect fetele)
c. X X
B F
(fetele sunt mai nalte dect bieii).
Ipoteza alternativ (a) se numete bilateral (este adevrat att cnd X X
B F

ct i cnd X X
B F
), n timp ce variantele (b) i (c) se numesc unilaterale.
C. Prag de semnificaie
Am vzut c pentru a putea stabili dac diferenele sunt semnificative sau nu,
trebuie s ne alegem arbitrar un prag al probabilitii, numit prag de semnificaie, , cu
ajutorul cruia stabilim limea intervalului n care considerm c avem fluctuaiile,
datorate ntmplrii (atribuite variabilitii de eantionare); dac valoarea de comparat
va fi inclus n acest interval vom spune c diferenele sunt nesemnificative i vom
accepta ipoteza de zero. De aceea acest interval se mai numete regiune de acceptare;
limitele intervalului se numesc valori critice, iar regiunea exterioar se numete
regiune de respingere sau regiune critic (fig. II.13).

Pragul de semnificaie are o valoare arbitrar. Alegerea lui trebuie s
satisfac dou condiii:
- pe de o parte valoarea trebuie s fie suficient de mic pentru ca probabilitatea
ca din ntmplare s obinem diferene la fel de mari s fie redus
- pe de alt parte alegerea unei valori prea mici lrgete prea mult regiunea de
acceptare, deci trebuie s fie suficient de mare pentru a menine intervalul destul de
ngust.

60

Convenional se accept c, n majoritatea studiilor n medicin i biologie, este
satisfctoare valoarea =0,05.
D. Nivel de ncredere
Valoarea 1 - se numete nivel de ncredere i se exprim de obicei n procente.
Deci pentru valoarea uzual =0.05 nivelul de ncredere este de 95%. Cu alte
cuvinte, n acest caz avem o ncredere de 95% (probabilitate de 95%) ca decizia pe care
o lum prin aplicarea testului s fie corect.
5.3. ETAPELE APLICRII TESTULUI STATISTIC
Dup ce am definit principalele mrimi folosite pentru aplicarea unui test
statistic putem sistematiza etapele de lucru:
A. Definirea mrimilor de comparat - evident, trebuie precizat la nceputul
studiului care vor fi mrimile asupra crora se ndreapt atenia i asupra crora se vor
aplica testele. n funcie de acestea vom alege diferite tipuri de teste.
B. Formularea ipotezei zero i a celei alternative - operaie primar, fiindc
rezultatul testului (decizia) se exprim n funcie de H
0
: se accept sau se respinge. Dac
nu se urmrete n mod special o ipotez alternativ H
1B
sau H
1C
, se accept ca ipotez
alternativ cea bilateral H
1A
.
C. Alegerea pragului de semnificaie al testului - n majoritatea cazurilor se ia
=0,05 care confer un nivel de ncredere de 95%.

Figura II.13. Regiunea de acceptare i H
0
exprimat cu valori absolute ale seriilor i
diferenelor i cu valori relative, pe scara normalizat fa de S
X
. n aceste exemple s-a
utilizat pragul de semnificaie = 0,05.
D. Alegerea testului - este etapa esenial creia i vom dedica un paragraf
separat; n funcie de tipul de variabile i modul de distribuie al valorilor se alege testul
cel mai potrivit n funcie de care se efectueaz calculele (etapele E i F).
E. Calculul valorilor critice (de obicei cele relative) i stabilirea regiunilor de
acceptare / respingere a ipotezei zero.
F. Calculul coeficientului p care reprezint probabilitatea ca:
- ipoteza de zero s fie adevrat, sau
- diferenele sa fie nesemnificative, sau
- s ne ncadrm n regiunea de acceptare.

61

Etapele E si F nu sunt distincte din punct de vedere al calculelor.
G. Formularea deciziei - etap final, n funcie de p:
- dac p acceptm H
0
i spunem c diferenele sunt nesemnificative
- dac p respingem H
0
i spunem c diferenele sunt semnificative.
Pentru 0,05 regiunea de respingere sew mparte la rndul ei n 3 subregiuni
n care se ncearc o gradare a diferenelor semnificative (fig. II.14).

n toate cazurile n care diferenele sunt semnificative ipoteza de zero H
0
se
respinge.
Observaie: Statistic semnificativ nu nseamn i important din punct de vedere bio-
medical.

Figura II.14. Formularea deciziei unui test statistic n funcie de valoarea lui p
5.4. ERORI
Este foarte important sa nu pierdem din vedere faptul c decizia unui test
statistic are caracter probabilistic. Deci faptul c n cazul
X cm
B
137
i X cm
F
140
am obinut p 0,05 i am acceptat H
0
afirmnd c diferenele sunt nesemnificative nu
nseamn c n realitate nu avem diferene de nlime ntre biei i fete la 10 ani ci
doar faptul c, din studiul efectuat de noi, probabilitatea ca fetele i bieii s aib
aceeai nlime este mai mare dect 5%, ceea ce nu ne permite s afirmm c
diferenele sunt semnificative i deci le-am putea atribui ntmplrii (variabilitii de
eantionare). S-ar putea ca n realitate diferenele s fie semnificative dar din diverse
motive (fie pur ntmplare, fie loturi prea mici - din care cauz se obine o valoare
mare pentru S
X
) aceste diferene n-au fost sesizate ca atare. Exist deci riscul de a
avea erori n decizia noastr.
Erorile statistice posibile se mpart n dou clase:
a. erori de tip I : cnd respingeam H
0
dei este adevrat
b. erori de tip II: cnd acceptm H
0
dei este fals.
Probabilitatea erorii de tip I se noteaz cu (este de fapt chiar legat de pragul
de semnificaie), iar cea a erorii de tip II cu .
Situaiile posibile de decizie sunt sintetizate n tabelul II.5.1.


62

Tabelul II.5. Situaii posible n decizia testelor statistice
SITUAIA REAL
H
0
= Adevrat H
0
=Fals

DECIZIE

Acceptm H
0

Corect
p=1-
Eroare tip II
p=

Respingem H
0

Eroare tip I
p =
Corect
p =1 -

Observaie: Denumirea de erori de tip I i II este din ce n ce mai des ntocmit cu cea
de risc de (eroare de) tip I sau II; valorile i arat doar probabilitatea de a le
comite.
5.5. CARACTERISTICILE TESTELOR STATISTICE
A. Nivelul de ncredere
Definiie: Mrimea 1- se numete nivel de ncredere sau nivel de confiden
(uneori simplu ncrederea sau confidena) testului; reprezint pragul de
semnificaie, sau probabilitatea erorii de tip I i reprezint capacitatea de a accepta o
ipotez cnd aceasta este adevrat.
B. Puterea testului
Definiie: Mrimea 1 - se numete puterea testului, unde reprezint probabilitatea
erorii de tip II i reprezint capacitatea de a respinge o ipotez cnd aceasta este fals.
Cele dou caracteristici, nivelul de ncredere i puterea testului se afl n relaie
de invers proporionalitate. ntr-adevr, dac am dori s cretem nivelul de ncredere al
testului, 1 - , ar trebui micorat pragul , de exemplu de la 5% la 1%, n acest caz
intervalul n care vom ncadra media unui eantion extras din aceeai populaie va fi
mai larg (Z
0,99
2,33 fa de Z
0,95
1,96) deci suntem mai ncreztori c, dac este
adevrat c cele dou medii nu sunt semnificativ diferite (chiar dac din ntmplare a
aprut o diferen puin mai mare), acesta nu va afecta decizia. Deci scade
probabilitatea erorii de tip I.

Figura II.15. Ilustrarea caracteristicilor unui test. n acest exemplu, valorile medii pentru
populaii sunt
B
=137 cm,
F
=142 cm. Lund referin lotul de biei, pentru = 5%
intevalul de acceptare este (133,141). Fa de limita 141 avem probabilitatea de cca 30% de
a gsi X
F
141 dar i p 2,5% pentru a gsi X
B
141.

63

n schimb, dac n realitate diferenele sunt statistic semnificative, aceast lrgire a
intervalului ne poate conduce la concluzia fals c diferenele sunt nesemnificative, n
timp ce ele n realitate sunt! Deci crete probabilitatea erorii de tip II.
Relaia ntre nivelul de ncredere i puterea testului poate fi ilustrat ca n figura
II.15; construit pe baza datelor din exemplul folosit anterior.
5.6. TESTE PARAMETRICE I NEPARAMETRICE
Stabilirea regiunii de acceptare este evident dependent de tipul de distribuie a
valorilor (n exemplele discutate pn acum s-a considerat ca ndeplinit distribuia
normal). ns exist situaii n care nu cunoatem tipul de distribuie, astfel nct nu
mai putem calcula att de simplu regiunea de acceptare. n funcie de acest aspect
putem mpri testele n dou categorii:
a. teste parametrice - n care distribuia este cunoscut (cel mai adesea se
consider doar distribuia normal, pentru care se pot aplica aceste teste),
b. teste neparametrice - n care se consider necunoscut distribuia; testele
neparametrice sunt mai generale; dac distribuia este n realitate o distribuie normal
testele neparametrice dau - n majoritatea cazurilor - rezultate asemntoare cu cele
parametrice; de aceea, n ultimul timp, ele se folosesc din ce n ce mai mult.
5.7. CLASIFICAREA TESTELOR STATISTICE
n funcie de mrimile comparate putem distinge mai multe clase de teste
statistice:
A. Teste de semnificaie - prin care se verific egalitatea unui parametru estimat
(medie, procent, etc.) cu o valoare dat.
B. Teste de omogenitate - prin care se compar doi parametri (medii, procente,
dispersii etc.).
Observaie: n unele manuale sunt considerate teste de omogenitate numai cele
de comparaie a parametrilor de dispersie (deviaii standard etc.), iar pentru compararea
a dou medii sau proporii se utilizeaz termenul de teste de semnificaie.
C. Teste de concordan - prin care se compar o distribuie experimental cu
una teoretic sau se compar dou distribuii experimentale.
D. Teste de independen - prin care se verific independena unor serii de
valori experimentale (n special pentru tabele de contingen).
E. Teste pentru corelaii - prin care se evalueaz semnificaia parametrilor
estimai n analiza corelaiei.
Observaie: Unii autori includ aceste teste n categoria testelor de semnificaie.
Din punct de vedere teoretic se pot compara statistic i alte elemente, specifice
unui anumit domeniu (ex.: n analiza semnalelor biologice) pe care le vom prezenta n
contextul corespunztor.
5.8. TESTE UZUALE N BIOSTATISTIC
n paragraful care urmeaz vom descrie cele mai importante teste folosite n
biostatistic pe care le vom prezenta pornind de la mrimile care se compar.

A. Se compar o valoare medie cu o valoare dat
. Ipoteza de zero: X = X
0

. Test aplicat:
a. testul Z - dac n 30
b. testul t - dac n 30

64

Observaie: Denumirea de testul Z nu este folosit prea des deoarece distribuia
normal Z este un caz limit al distribuiei t, cnd numrul gradelor de libertate este
foarte mare. Denumirea uzual pentru testul aplicat n aceste condiii va fi testul t
pentru o serie
Observaie: dac
m
(eroarea standard a populaiei) este cunoscut, se folosete ea n
calculul intervalului de acceptare (vezi formula 4.2.b. sau 4.4); dac nu este cunoscut,
se folosete estimatorul ei, S
X
(formula 5.8.b).

Exemplu II.8 ntr-un raport se susine c nlimea medie a copiilor de 10 ani este 139
cm. Acceptm aceast afirmaie?
Rezolvare: lum un lot avnd n = 36 copii pe care obinem X = 137,3 cm , S =
9 cm.
. Ipoteza de zero: H
0
: 137,3 = 139 cm
. Alegem pragul de semnificaie = 5%; atunci Z

= 1,96 2
. Pentru lotul nostru S
X
9 36 / = 1,5 cm
. Intervalul de acceptare este:
- n valori absolute : (137,3 - 1,96 . 1,5; 137,3 + 1,96 . 1,5) adic (137,3 - 3;
137,3 + 3), sau (134,3 - 140,3); valoarea X
0
= 139 se gsete n acest interval, deci
acceptm H
0
i spunem c diferenele observate (ntre media experimental 137,3 i
valoarea ipotetic 139) sunt nesemnificative i se datoresc ntmplrii.
- n valori absolute ale diferenelor:

D X X
0
139-137,3 = 1,7 cm
intervalul fiind (-1,96*1,5 ; +1,96*1,5) adic (-3, +3)
Valoarea 1,7 este n acest interval, deci acceptm H
0.

- n valori relative:
d D S
X
/ = 1,7 / 1,5 1,13
intervalul fiind (-1,96; +1,96)
Valoarea 1,13 fiind n acest interval, acceptm H
0
.

B. Se compar dou valori medii
. Ipoteza de zero: H X X
0 1 2
:
. Condiii: S
1
S
2
; se poate N
1
N
2

. Grade de libertate: = N
1
+ N
2
- 2
. Test aplicat:
a) Parametric: testul t nepereche (testul Student)
b) Neparametric: testul Mann - Whitney
n continuare prezentm dou variante de raionament:

Varianta I
Exemplu I I .9. Se analizeaz capacitatea vital a unui grup de sportivi comparativ cu un
grup de control, obinnd:
. lot sportivi: N
1
= 36, X
1
= 5,39 l , S
1
0,60 l
. lot martor: N
2
50, X
2
= 4,83 l, S
2
= 0,70 l
Ipoteza de zero: H
0
: 5,39 ( 0,6) = 4,83( 0,7)
Alegem pragul de semnificaie: = 5%.

65

Numrul gradelor de libertate: = 36 + 50 - 2 = 84
Din tabelul cu valorile distribuiei t, observam ca pentru valori ntre 60 i 120
grade de libertate, coeficientul de ncredere va fi acelai. Deci, pentru un test bilateral
(two-tailed), gsim 00 . 2
60 ; 975 , 0
t . Fiind o valoare din tabel, o vom nota n continuare
cu indicele t deci t
t
= 2.00.
Calculm eroarea standard pentru diferene:

S
d
S
n
S
n
1
2
1
2
2
2
(II.5.2)

14 , 0 02 . 0
50
49 . 0
36
36 . 0
d
S

Deci intervalul de acceptare a diferenelor este:

d t S t S
t d t d
( , ) , adic: (II.5.3.)
14 . 0 * 2 ; 14 . 0 2 d sau 28 . 0 ; 28 . 0 d
Diferena obinut este:

d X X
1 2
=0.56 (II.5.4.)
deci este situat n afara regiunii de acceptare i noi vom respinge H
0
, considernd
adevrata ipotez alternativ i vom spune c diferenele sunt semnificative.
Pentru a vedea eventual i ct de semnificative sunt aceste diferene, putem
calcula regiunile de acceptare pentru:
. foarte semnificative: t t
t 0 99 60
2 66
, :
, ; d ( , ; , ) 0 37 0 37
. extrem de semnificative: t t
t 0 999 60
3 37
, :
, ; d ( , ; , 0 47 0 47)
Observm c diferena real d 0,56 este n afara att a intervalului de acceptare
pentru probabilitile de 1% ct i 0,1% deci vom considera c diferenele sunt extrem
de semnificative, probabilitatea ca din ntmplare s obinem din aceeai populaie
dou loturi att de diferite fiind sub 0,1%.

Varianta I I
Raionamentul expus mai sus este uor de neles, fiind calculate intervalele de
acceptare pentru 3 probabiliti: 5%, 1% i 0,1% i urmrind ncadrarea diferenei
reale. n pachetele software de prelucrari statistice se procedeaz invers: se calculeaz
direct probabilitatea de a obine asemenea diferene din ntamplare.
Se calculeaz mai nti valoarea lui t care corespunde diferenei reale:
t
d
S
X X
S
c
d d
1 2

(II.5.5.)
adic:
00 . 4
14 , 0
56 , 0
c
t
Din tabelul valorilor distribuiei t, pentru 60 grade libertate (urmrim linia lui
60), vedem c t
c
t
0,999; 60
; programele statistice ne dau valoarea pentru care:

66

t t
c p,
(II.5.6.)
i afieaz valoarea lui p, pe care o vom interpreta conform fig.II.14. n exemplul
nostru obinem p = 0,00087, deci avnd p 0,001 vom spune c diferenele sunt extrem
de semnificative.
Testul Mann-Whitney este echivalentul neparametric al testului t nepereche. Ca
raionament este similar cu testul Wilcoxon i va fi exemplificat acolo. Pentru loturi mai
mari, rezultatul obinut este acelai ca n cazul aplicrii testului t. Pachetele software de
prelucrari statistice dau valoarea lui p (adic probabilitatea ca diferenele observate n
eantionul de valori s fi aprut din ntamplare, n condiiile n care indivizii observai
ar face pate dintr-o aceeai populaie statistic). Interpretarea o facem tot conform fig.
II.14.

C. Se compar dou valori medii, din dou serii obinute pe aceiai indivizi,
n dou condiii diferite
. Ipoteza zero:
H X X
0 1 2
:

. Condiii: valori perechi - X
i1
, X
i2
reprezint valorile obinute pe individul i
n condiiile 1 respectiv 2.
ntotdeauna: N
1
= N
2
= N
Grade de libertate: = N - 1
. Test aplicat: testul t pereche
Observaii: testul t pereche este de fapt un test t pentru o serie aplicat
diferenelor; acest lucru este vizibil dac sistematizm datele conform tabelului II.6.

Tabel II.6. Prezentarea datelor pentru testul t pereche
Individ Valori experimentale
Condiia 1 Condiia 2
Diferene
D
i
= X
2i
- X
1i

1
2
i
N
X
11
X
12

X
21
X
22

X
i1
X
i2

X
N1
X
N2

D
1
D
2

D
i

D
N

Medii
X
1
X
2

D

Valorile d
i
pot fi pozitive sau negative; dac ntre cele dou serii nu sunt diferene vom
avea D = 0. Ipoteza de zero de mai poate deci scrie:
H D
0
: = 0

Exemplu I I .10. Dorim s studiem efectul unui medicament asupra frecvenei cardiace.
Pe un lot de N = 9 indivizi obinem valorile din tabelul II.7
Efectund calculele, obinem:
D 4, S = 4,5 , S
x
15 ,
Pentru = 8 i = 5%, t
t
2 3 , deci regiunea de acceptare va fi:
(- t S t S
t
d
t
d
, ) = (-2,3 . 1,5 , + 2,3 . 1,5) = (-3,45, + 3.45)

67

deci valoarea obinut D de gsete nafara intervalului de acceptare i vom spune c
diferenele sunt semnificative, probabilitatea ca din ntmplare s obinem diferenele
din tabelul II.53. fiind sub 5%.

Tabel II.7. Frecvena cardiac nainte i dup tratament
Subiect FC nainte FC dup Diferena
1
2
3
4
5
6
7
8
9
63
67
79
67
68
72
73
69
70
73
67
76
75
70
71
80
76
75
+10
0
-3
8
2
-1
7
7
5

Introducnd datele din tabelul II.53. ntr-un program de calculator obinem
p = 0,042, adic p 0,05 , deci cu aceeai interpretare.

D. Se compar dou mediane sau dou serii ordinale.
. Ipoteza de zero se va referi la mediana ca indicator al tendinei centrale.
. Test aplicat: testul Wilcoxon - aplicat n dou versiuni:
- pentru serii independente : testul suma rangurilor (rank-sum test)
- pentru serii perechi: testul semnul rangurilor (signed-rank test)
a.) Testul suma rangurilor
. Condiii: variabile ordinale (ranguri) sau variabile numerice aduse sub form
de ranguri (n acest situaie el este identic cu testul neparametric Mann - Whitney)
. Grade de libertate: valorile din tabel sunt dependente de ambele dimensiuni
N
1
i N
2
; de aceea de accept s se ia convenional cea mai mic serie ca prima (
N N
1 2
)
. Fundamentare teoretic:
Fie dou serii de valori ale unei variabile ordinale, obinut pe dou loturi 1 i 2
pe care le ordonm astfel:
- seria 1, cu N
1
indivizi: X X X X
i N 1 2 1
..... .....
- seria 2, cu N
2
indivizi: Y Y Y Y
j N 1 2 2
..... .....
Seriile 1 i 2 le lum astfel nct N N
1 2
.
Se alctuiete lotul compus din amestecarea celor dou loturi, avnd N = N1 +
N2 indivizi i se ordoneaz nct: Z Z Z Z
k N 1 2
..... ..... , unde Z este o valoare
X sau Y. Acestui ir i se asociaz un ir de ranguri
k
r cu valori ntre 1 i N; dac dou
sau mai multe valori succesive n irul Z sunt egale (de exemplu ),
4 3 2
Z Z Z acestor
ranguri li se asociaz o valoare intermediar calculat ca medie ntre rangul maxim i
cel minim din acel grup de ranguri (n exemplul nostru . 3
4 3 2
r r r ) S notm deci
rangurile cu: r r r r
k N 1 2
.... .... i notm suma rangurilor ce corespund valorilor
din primul lot cu R
1
, respectiv din al doilea lot cu R
2
. Pentru aplicarea testului se
calculeaz dou statistici:

68

U N N N N R
1 1 2 1 1 1
1 2 ( ) / (II.5.7.a)
U N N N N R
2 1 2 2 2 2
1 2 ( ) / (II.5.7.b)
i se ia U = min (
U U
1 2
, )
. (II.5.7.c)
Dac N
1
i N
2
sunt mari ( 10), statistica U are o distribuie aproximativ
normal cu media:

U
N N
1 2
2 / (II.5.8)
i deviaia standard:

u
N N N N
1 2 1 2
1 12 ( ) / (II.5.9.a)
Pentru eantioane mai mici s-au realizat tabele speciale pentru testul Wilcoxon
rank-sum ce conin probabilitatea de a obine valori U n anumite inervale.
Cel mai des, din tabele se apreciaz intervalul ce cuprinde regiunea de acceptare
a ipotezei de zero cu o anumit probabilitate, adic regiunea de ncadrare a valorii R
1

care are o repartiie cu media:
R N N N
1 1 1 2
1 2 ( ) / (II.5.10)
i deviaia standard
S N N N N
U 1 2 1 2
1 12 ( ) / (II.5.9.b)
Pentru un test bilateral cu = 5%, se caut n tabele valorile pentru R
1
(0,025) i
R
2
(0,975).
Pachetele software de prelucrri statistice ne dau direct valoarea probabilitii p
interpretabil conform fig. II.14.

Exemplu II.11. Se analizeaz aprecierea subiectiv a gradului de adaptare la efort al
unui lot de sportivi comparativ cu un lot martor. Pentru aprecierea adaptrii se folosete
scara Borg a senzaiei subiective de efort, care asociaz valori de la 0 la 20, aproximativ
dup tabelul II.54.

Tabelul II.8. Scara Borg a senzaiei subiective la efort (sumar)
Valoare Aprecierea efortului
0
5
10
15
20
Extrem de uor
Relativ uor
Mediu
Destul de greu
Epuizant

Ambele loturi sunt supuse la un efort standard: 5 minute, 45 W efort
triunghiular, pe bicicleta ergometric. Un model de rezultate este prezentat n tabelul
II.9.


69

Tabelul II.9. Senzaia subiectiv la efort standard pe dou loturi: lot 1 - sportivi
(N
1
=6), lot 2 - martor (N
2
=8); valorile sunt ordonate cresctor pentru fiecare lot
Valori Ranguri
Sportivi Martor Sportivi Martor
2 6 1 5
5 6 2,5 5
5 9 2,5 8
6 11 5 10,5
8 11 7 10,5
10 12 9 12
14 13
15 14
R
1
=27 R
2
=78

U
1
= 6 8 + 6 7 / 2 - 27 = 42
U
2
= 6 8 + 8 9 / 2 - 78 = 6
U = 6

u
24

u
2
60

Sirul global 2 5 5 6 6 6 8 9 10 11 11 12 14 15
Nr. crt. 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Ranguri 1 2.5 2.5 5 5 5 7 8 9 10.5 10.5 12 13 14
Lotul 1 1 1 (1) (2) (2) 1 2 1 2 2 2 2 2

Deoarece n cele dou loturi sunt prea puine valori pentru ca statistica U
calculat s urmeze o distribuie normal, vom determina nivelul de semnificaie
utiliznd tabelele speciale pentru eantioane mici.

Din tabelul pentru testul U se obine, pentru un test bilateral, cu prag de
semnificaie
=5% ( /2 = 0,025 i 1- /2 = 0,975), intervalul de acceptare pentru R
1
: (29,61);
observm c valoarea noastr R
1
= 27 este n afara intervalului de acceptare a ipotezei
zero, deci o respingem i vom considera c sportivii apreciaz acelai efort ca fiind mai
uor.
b.) Testul semnul rangurilor
. Condiii: serii perechi de variabile ordinale (ranguri) sau variabile numerice
aduse sub form de ranguri (echivalentul neparametric pentru testul t pereche).
. Grade de libertate: N N N
2 1
;
Fie dou serii de valori ale unei variabile ordinale, obinute pe un lot, de volum
N, n dou condiii, 1 i 2. Pentru fiecare individ i obinem diferena ,
1 2 i i i
X X D care
poate fi pozitiv sau negativ. Se ignor diferenele nule.
ntr-o prim faz neglijm semnele i ordonm cresctor valorile absolute ale
diferenelor; apoi le acordm ranguri, ca n exemplul anterior. Reintroducem acum
pentru ranguri semnele pe care le-am avut la diferenele D
i
i calculm separat dou

70

totaluri: R (+) este suma rangurilor pozitive i R(-) este suma rangurilor negative.
Calculm acum statistica testului:
R =R(+) (II.5.11)
24 / 1 2 1
2
1
4
1
N N N
N N
R T (II.5.11)
N reprezint numarul diferenelor D
i
care nu sunt zero.
Pentru eantioane mari (N 16) statistica T are o repartiie normal, cu media:

T
N N ( ) / 1 4 (II.5.12)
i deviaia standard

T
N N N ( )( ) / 1 2 1 24 (II.5.13)

Se caut din tabel valoarea T
0.025;10
= T
tab
pentru a accepta H
0

Pentru situaii n care statistica T nu urmeaz o distribuie normal (numrul
diferenelor D
i
care nu sunt zero N < 16), exist tabele speciale care prezint pentru
testul Wilcoxon signed-rank. Se poate astfel evalua intervalul de acceptare a ipotezei
zero, pentru testele bilaterale respectiv limitele critice pentru testele unilaterale.
Pachetele software de prelucrri statistice ne dau valoarea probabilitii p de
acceptare a ipotezei zero, interpretabil conform fig. II.14.

Exemplu II.12. Aprecierea cunotinelor (aptitudinilor) prin note reprezint variabile
ordinale. Analizm eficiena unui curs dup punctajul obinut la un test de cunotine
aplicat att nainte ct i dup un curs auxiliar pe acelai grup de studeni. Rezultatul la
un astfel de chestionar se exprima printr-un punctaj cu valori ntre 0 i 40.

n tabelul II.10 sunt prezentate rezultatele obinute pe un lot de 10 studeni.

Tabelul II.10. Rezultatele la testul de biostatistic obinute pe un lot de 10 studeni, nainte
i dup ce au urmat un curs auxiliar de teoria probabilitilor
Student nainte Dup Diferena Rang
1
2
3
4
5
6
7
8
9
10
35
26
36
30
38
29
21
27
31
35
38
30
36
35
40
28
25
24
30
36
+3
+4
0
+5
+2
-1
+4
-3
-1
+1
+5,5
+7,5

+9
+4
-2
+7,5
-5,5
-2
+2

La stabilirea rangurilor se ignora diferenele cu valoare 0.
ir diferene absolute 0 1 1 1 2 3 3 4 4 5
Nr. crt. 1 2 3 4 5 6 7 8 9
Rang 2 2 2 4 5,5 5,5 7,5 7,5 9
R(+)=35.5
R(-)=9.5


71

n acest exemplu nu vom putea utiliza distribuia normal (sunt prea putine
valori), ci tabelul special pentru testul Wilcoxon signed-rank. Putem alege un test
unilateral, adic ipoteza de zero s fie 0 :
0
H (n cuvinte: cursul nu a determinat
mbuntirea semnificativ a rezultatelor la test), avnd ca alternativ, n cazul
respingerii H
0
ipoteza 0 :
1
H (adic rezultatele dup cursul auxiliar sunt semnificativ
mai bune). Din tabel, pentru = 0,05 i N = 9 obinem valoarea critic R
tab
= 40.
Pentru statistica T decizia se ia dup regula:
Dac
tab calc
R R , atunci respingem H
0
. n cazul nostru concret nu vom putea
respinge ipoteza de zero. Deci, n ciuda aparenelor (la 6 din cei 10 nota a crescut i a
sczut numai la 3, iar creterile sunt mai mari dect scderile), nu putem afirma c
diferenele sunt semnificative (probabilitatea s obinem diferene de acest gen din
ntmplare este destul de mare, peste 5%).
Acceptarea ipotezei de zero n acest caz nu nseamn neaprat cursul auxiliar nu
a determinat creteri semnificative ale rezultatelor ci doar c din analiza rezultatelor a
10 studeni nu putem afirma existena unei creteri semnificative a rezultatelor la testul
de cunotine. Deseori, n asemenea situaii, cnd rezultatul unui test statistic este la
limit, este bine s se extind studiul pe un lot mai mare pentru a se putea atinge
semnificaia statistic.

Observaie: Rezultatele obinute ar fi asemntoare i dac variabilele ar fi fost
considerate numerice n loc de ordinale i am fi aplicat testul t pereche pentru diferene
avnd valoarea 4 . 1 D

i 83 . 0
d
S pentru (N = 10); concluziile ar fi i n acest caz la
fel ca cele obinute cu testul Wilcoxon.

E. Se compar n valori medii
. Ipoteza de zero: H X X X
n 0 1 2
: .... (II.5.14.)
. Test aplicat: ANOVA (ANalysis Of VAriance).
Testele de tip ANOVA formeaz o ntreag clas ce face obiectul de studiu al
unui ntreg capitol al (bio) statisticii numit analiza varianei. Elementul central n
analiza varianei este mprirea varianei valorilor individuale (formula 5.7.b) n
funcie de originea posibil (sursele) variaiei.
Analiza varianei se aplic pentru testarea egalitii a n valori medii n dou
variante principale:
Analiza unifactorial (one-way analysis) - pentru a compara n serii
independente, obinute pe loturi diferite.
Analiza bifactorial (two-way analysis) - pentru a compara n serii
dependente, obinute pe acelai lot, n n condiii.
a) Analiza unifactorial
. Tipuri de analiz unifactorial:
i
0
- parametric: testul t nepereche generalizat pentru n serii
i
00
- neparametric: testul Kruskal - Wallis
Fie n serii experimentale obinute pe loturi independente, un lot j avnd N
j

indivizi. Fiecare lot corespunde unei condiii pe care o vom numi tratament; avem
deci n tratamente; pentru tratamentul j analizm lotul corespunztor.


72

X
j1
, X
j2
, .....X
ji
, ...., X
jNi
, avnd:
media
X X N
j ji j
i
N
j
( ) /
(II.5.15)
variana S SS N
j j j
2
1 / ( ) (II.5.16)
suma ptratelor abaterilor:
SS X X
j j
i
N
ji
j
( )
2
; (SS = sum of squares).
Dac amestecm loturile obinem un grup mare avnd n total N indivizi, ale cror
valori le notm acum cu X
i
:
N N
j
j
n
(II.5.17)
Pentru acest lot global avem o medie general:

n X N N X X
n
j
j j
N
i
i
/ /
1
(II.5.18)
i suma total a ptratelor (TSS = total sum of squares):
TSS X X
i
N
i
( )
1
2

(II.5.19)
Esena n testele ANOVA este a diviza aceast varian total TSS (exprimat de fapt
aici prin suma total a abaterilor tuturor valorilor individuale X
i
fa de media global
X ) n variana datorat variaiilor valorilor individuale X
ji
din fiecare grup j fa de
media grupului X
j
, numit variana rezidual (RSS) i variana datorit
tratamentelor (treatment variance).
TSS =RSS + TrSS (II.5.20)
Suma ptratelor abaterilor pentru variana rezidual este:

RSS SS X X
j
j
n
j ji
i
N
j
n j
( ( ) )
2

(II.5.21) Pentru cele n serii (tratamente), cuprinznd un total de N indivizi ,
toate cele N valori sunt independente deci numrul gradelor de libertate (d.f. = degrees
of freedom) pentru TSS este N. Numrul gradelor de libertate pentru tratamente este :
dfTr n 1 (II.5.22)
iar pentru reziduale este:

2
1 dfR N n ( ). (II.5.23)

73

De fapt RSS i TrSS calculate cu (II.5.21) i (II.5.20) sunt sume ptrate; pentru a
reprezenta variante cu adevrat ele trebuiesc divizate cu numrul corespunztor de
grade de libertate: (Ms = mean square).
MSTr = (TSS - RSS) /
1
(II.5.24)
MSR = RSS /
2
(II.5.25)
Raportul a dou variane prezint o distribuie F cu (
1
;
2
) grade de libertate:

F F
MSTr
MSR
calc

Tabel II.11. Scderile tensiunii sistolice dup patru zile de tratament, pe 3 loturi.
Valorile negative indic o cretere a tensiunii. n fiecare serie valorile au fost
ordonate. Pentru seria global avem:
Tratament j
Individ i
1 2

3
1
2
3
20
15
15
30
25
15
30
25
20
4
5
6
10
5
5
10
10
5
15
10
-
7
8
9
10
0
-5
-5
-10
5
0
-10
-
-
-
-
-
N
j
10 9 5 N = 24
X
j

5 10 20
X =10
SS
j

900 1200 250 RSS =2350
( ) X X
i
2

1150 1200 750 TSS = 3100

Dac seriile nu difer semnificativ ntre ele, variana care rmne atribuit
tratamentelor MSTr este mic, variana total fiind explicat aproape integral de
rezidualele MSR (variaiile individuale din fiecare grup), deci F
calc
va avea valori mici.
ns dac seriile difer semnificativ, MSTr va reprezenta o poriune nsemnat din
variana total i F va fi mare.
Stabilind un prag de semnificaie (5% sau 1%) decizia testului se ia astfel:
- dac F
calc
F
1 2
(tabel), atunci p , adic respingem H
0

- dac F
calc
F
tab
, atunci acceptm H
0

Actualele pachete statistice prezint rezultatele n forma standard a tabelelor
ANOVA i calculeaz direct valoarea lui p interpretabil conform fig.II.14.


74

Exemplul II.13. Comparm 3 tratamente antihipertensive obinnd pe trei loturi
rezultatele din tabelul II.11.

Din tabelul distribuiei F avem:

F
2 22
0 05
3 44
,
,
,
i F
2 22
0 01
,
,
= 5,72

Cum F F
calc 2 22
0 05
,
,
, rezult p 0,05 deci respingem ipoteza de zero H
0
vom considera
c ntre cele 3 serii avem diferene semnificative.

n tabelul II.12. sunt prezentate datele sintetice ale testului ANOVA.

Tabel II.12. Tabelul ANOVA cu datele brute din tabelul II.7
Sursa de
variaie
Grade de
libertate
Suma
ptratelor
SS
Media ptratelor
Ms
Raportul F
F
Tratament
Reziduale
2
22
750
2350
375
106,8
3,48

Total 24 3100

Observaii:
- Cel mai adesea, dup aplicarea unui test ANOVA pentru mai mult de dou
serii, analiza poate continua prin compararea pe rnd a cte dou serii prin testul t
standard (sau Mann-Whitney - Wilcoxon n caz neparametric) cu ajustarea
corespunzatoare a lui funcie de numarul de teste.
- Pentru numai dou serii rezultatul obinut prin ANOVA este identic cu cel
obinut prin testul t nepereche.

b) Analiza bifactorial
- Tipuri de analiz bifactorial:
i
0
- parametric: testul t pereche generalizat
ii
00
- neparametric: testul Friedman

Fundamentare teoretic
Fie n serii de valori experimentale obinute pe acelai lot, cu volumul de N
indivizi, n n condiii diferite. Fiecare serie de valori corespunde unei condiii pe care o
vom numi i aici tratament. Fiecare individ i este supus tuturor celor n tratamente.
Spre deosebire de cazul anterior, cnd luam n considerare un singur factor ce ar putea
influena variana - tratamentul, de aceast dat vom lua n considerare i al doilea
factor, de exemplu individul - fiecare individ are reacii particulare la fiecare tratament.
n general n ANOVA bifactorial gruparea dup primul factor se face n tratamente-
j, iar dup al doilea factor se face n blocuri- i.
S facem urmtoarele notaii:
X
ji
- o valoare individual pentru tratamentul j la blocul i (individul i)

X X N
j j i
i
N

( ) /
- media unui tratament (II.5.27.a)

75

X X n
i j i
j
n
( ) /
- media unui bloc (II.5.27.b)
X X Nn X N X n
ji
j
n
i
N
i
i
N
j
j
n
( ) / ( ) ( ) / ( ) /

- media global (II.5.27.c)
Gradele de libertate sunt:
. total: N . n (II.5.28.a)
. pentru tratamente:
1
= n - 1 (II.5.28.b)
. pentru blocuri:
1
= N - 1 (II.5.28.c)
. pentru reziduale: ) 1 ( ) 1 (
2
n N n N (II.5.28.d)

Tabelul II.13. Prezentarea tabelului ANOVA pentru analiza bifactorial
Sursa variatiei
Grade de libertate
df
Suma
patratelor
SS
Media patratelor
ms
Raportul
F
Tratamente
Blocuri
(indivizi)
1
'
1
n
1
"
1
N
TrSS
BlSS
'
1
'
1
/ TrSS M
"
1
"
1
/ BlSS M
M M P
1 2
' '
/ ( )

M M P
1 2
" "
/ ( )

Reziduale
) 2 (
2
n N N
n

RSS
2 2
/ RSS M

Total Nn
TSS

Sumele ptratelor vor fi calculate cu:
TSS =
2
2 2
) ( X Nn X X X
N
i
n
j
ij ij
N
i
n
j
(II.5.29.a)
RSS =
2
. .
) ) ((
ij i
N
i
n
j
j
X X X X (II.5.29.b)
TrSS =
( )
. .
X X N X NnX
j
j
n
i
N
ij j
j
2 2
2
(II.5.29.c)
BlSS =
( )
. .
X X n X NnX
i
j
n
i
N
ij i
i
N
2 2
2
(II.5.29.d)
ntre ele avem relaia:
TSS = RSS + TrSS + BlSS (II.5.30)

Tabelul ANOVA pentru prezentarea rezultatelor va fi de forma II.13.

Pentru ca ordinea aplicrii tratamentelor s nu fie aceeai la toi indivizii (acesta
ar putea influena efectele), se aloc tratamente n ordine ntmpltoare. Cel mai potrivit
este s se foloseasc aa numitul ptrat latin avnd pe linii sau coloane ordinea
tratamentelor; de exemplu, pentru 4 condiii sau tratamente (A,B,C,D) am putea avea
ptratul:


76

M= (II.5.31)

Indivizii (sau blocurile) se atribuie ntmpltor acestor succesiuni de tratamente.

F. Se compar 2 sau n dispersii (deviaii standard).
Uneori este necesar n practic verificarea egalitii statistice a unor indicatori
de dispersie - de exemplu, testele de semnificaie aplicate pentru valori medii presupun
o egalitate statistic a dispersiilor seriilor care trebuie testate nainte de aplicarea testului
pentru medii.
Dintre testele pentru compararea indicatorilor de dispersie vom prezenta cteva
mai des ntlnite:
- pentru a compara dou deviaii standard
- pentru a compara n deviaii standard obinute pe serii diferite
- pentru a compara n deviaii standard obinute pe acelai lot.

a. Se compar dou deviaii standard
. Ipoteza de zero:
:
2 1 0
H

. Test aplicat: testul (exact) F-Fischer-Snedecor
. Fundamentare teoretic
Raportul a dou dispersii ale unor populaii cu distribuie normal prezint o
distribuie notat cu F, numit distribuia Fischer.
Fie dou serii experimentale, de volume N
1
i N
2
, avnd dispersiile S
1
2
i
S
2
2
; le notm cu indicii 1 i 2 astfel nct S S
1
2
2
2
adic ). , max(
2 1 ) 1 (
S S S Se
calculeaz raportul:
F S S
( ) ( )
/
1
2
2
2
(II.5.32)
Se alege tabelul cu valorile lui F dup pragul de semnificaie dorit (0,05 sau
0,01) i pentru cele dou valori ale gradelor de libertate:

1 1
1 N ;
2 2
1 N (II.5.33)
Ipoteza de zero se accept dac indicele F respect relaia:
F
calc
F
tab
/
( , )
2
1 2
(II.5.34)
Pachetele statistice dau de obicei valoarea lui p interpretabil conform fig. II.14

Exemplu: Considerm loturile 2 i 3 din tabelul II.11.
Pentru lotul 2:
S S
2
2
1
2
1200
9 1
150
( )

Similar:
S S
3
2
2
2
250
5 1
62 5 ,
( )

Calculm: F =
S S
( ) ( )
/
,
,
1
2
2
2
150
62 5
2 4
. Din tabel, pentru = 0,05 avem:
04 , 6
025 , 0
4 , 8
F

deci
tabel calc
F F i vom admite H
0
dei diferenele dispersiilor preau destul de
mari.

A B C D
C A D B
D C B A
B D A C

77

b. Se compar n deviaii standard obinute pe serii diferite
. Ipoteza de zero:
n
H .... :
2 1 0

. Test aplicat: testul lui Bartlett
Pentru n serii experimentale de volume N
j
, medii X
j
i deviaii standard S
j
,
notm:
- grade de libertate:
j j
N 1;
i i
j
n
N n
1
(II.5.35)
- numr total de indivizi: N N
j
j
n
1
(II.5.36)
- dispersie global: S S
j
j
n
j
2 2
1
(II.5.37)
- coeficientul:
1 1
) 1 ( 3
1
1
n
j
j
n
C (II.5.38)
- statistica: ) ln ln (
1
2 2 2
j
n
j
j B
S S
c
X (II.5.39)
este o variabilitate aleatoare cu distribuie
2
cu n - 1 grade de libertate.
- regiunea de acceptare a ipotezei zero H
0
este dat de condiia:
) ( calc
2
1 ,
2
tab X
n B
(II.5.40)
i H
0
se respinge n caz contrar.
Pachetele software de prelucrari statistice ne dau direct valoarea lui p.

Exemplu: S comparm deviaiile standard ale celor 3 loturi prezentate n tabelul II.11
- seria 1: N S
1 1 1
2
10 9 900 9 , , /
- seria 2: N S
2 2 2
2
9 8 1200 8 , , /
- seria 3: N S
3 3 3
2
5 4 250 4 , , /
- aplicm formulele (II.5.36.) - (II.5.39.)
. N = 24 , n = 3
.
S
2
1
24 3
900 1200 250 112 ( )

.
C 1
1
3 2
1
9
1
8
1
4
1
9 8 4
15
14

. X
B
2
9 59 ,
- din tabelul
2
pentru = 0,05 i n-1 = 2 grade de libertate avem:
99 , 5
2
2 ; 05 , 0

- observm c
2
2 ; 05 , 0
2
) (calc X
B
, deci respingem H
0
i vom considera c
dispersiile (derivaiile standard) difer semnificativ.


78

c. Se compar n deviaii standard obinute pe aceiai indivizi
. Ipoteza de zero: H sau
n 0 1 2
: ... ( S S S
n 1 2
...... )
. Test aplicat: testul lui Cochran
Pentru n serii de date experimentale obinute pe acelai lot de volum N, avnd
dispersiile S S S
n 1 2
, ,...., , se alege:
S S S S
n max
max( , ,...., )
1 2
(II.5.41)
i se calculeaz:
S S
j
j
n
2 2
(II.5.42)
Statistica
Q S S
max
/
2 2
(II.5.43)
este comparat cu valoarea lui Q din tabelul lui Cohran; tabelele pentru Q sunt
asemntoare cu cele pentru F: sunt realizate pentru dou valori ale lui (0,05 i 0,01)
i depind de 2 indici: n i N 1
(numrul de grade de libertate).
Regiunea de acceptare a ipotezei de zero se alege dac este satisfcut condiia:

Q calc tab
n
( ) ( )
,
Q
(II.5.44)
Pachetele software de prelucrari statistice dau direct valoarea lui p pentru
interpretarea testului conform fig. II.14

G. se compar proporii (procente)
n cazul variabilelor nominale (calitative), indivizii din ntregul eantion sunt
grupai n diferite clase, fiecare clas avnd caracteristic o proporie (procent).
Dac mprirea se face n numai dou clase, distribuia se numete binominal,
dac se face n mai multe clase se numete multinomial.
Testele pentru varibilele nominale sunt numeroase, acoperind toate categoriile de
teste (semnificaie, omogenitate etc.), astfel nct n cadrul cursului vom prezenta doar
urmtoarele situaii, mai des ntlnite:
a. se compar o proporie experimental cu o valoare dat
b. se compar dou proporii experimentale
c. se compar o distribuie experimental cu una teoretic - test de concordan
d. test de omogenitate pe tabel de contingen
e. test de independen pe tabel de contingen

a. Se compar o proporie experimental cu o valoare dat
. Ipoteza de zero: p = p
0

. Condiie: se lucreaz pe loturi mari, astfel nct s nu fie vreuna din clase cu mai
puin de 5 indivizi, deci N s fie altfel nct
N
p0
5
sau
N p 1 5
0
.
Statistica

Z
p p
p p
N
D
S
p
p
0
0 0
1
0
( )
(II.5.45)

79

are o distribuie normal, deci intervalul de acceptare al ipotezei de zero va fi condiia:

Z Z Z
calc ( ) / /
( , )
2 2
(II.5.46)
adic pentru = 5%
Z
/
, .
2
1 96

Pachetele software de prelucrari statistice ne dau valoarea lui p (probabilitatea ca
ipoteza de zero s fie adevrat) interpretabil conform fig. II.14.

Exemplu II.14. S se verifice dac este adevrat afirmaia c 4% dintre brbai sunt
daltoniti.
Cum
p
0
0 04 ,
i trebuie ca
N
p0
5
rezult N 125.
Vom lua un lot de 150 brbai pe care obinem N
1
8 daltoniti i N
2
142 vedere
colorat normal.
Avem deci N = 150, / , ; p
1
8 150 0 053 / , p
2
142 150 0 946

018 . 0
150
946 . 0 053 . 0
p
S

833 , 0
6 . 01 , 0
04 , 0 053 , 0
Z

Observm c ) 96 . 1 ; 96 . 1 (
calc
Z deci acceptm H
0
.

b. Se compar dou proporii experimentale
. Ipoteza de zero:
p p
1 2

. Condiie: se lucreaz pe loturi mari nct s nu fie vreuna din clase cu mai puin de
5 indivizi
. Fundamentarea teoretic.
Statistica
Z
D
S
p p
S
p
pd pd
1 2
(II.5.47)
au o distribuie normal. Pentru eroarea standard a proporiilor folosim formula (4.14.)
sau

S p p
N N
pd 0 0
1 2
1
1 1
( )( )
(II.5.48)
unde:

p
N p N p
N N
0
1 1 2 2
1 2
(II.5.48.b)
Regiunea de acceptare este dat tot de (II.5.46.).

Exemplu II.15. Verificm dac proporia de decese prin cancer de plmni este aceeai
la brbai i femei. ntr-un studiu efectuat pe dou loturi:
- lot 1: N
1
180 certificate deces brbai nregistrate n 3 luni, din care
p
1
14 180 0 0777 / , cu diagnosticul de mai sus
- lot 2: N
2
165 certificate deces femei, acelai interval, cu
p
2
5 165 0 030 / ,

S
pd
0 077 0 9222
180
0 03 0 97
165
0 024
, , , ,
,


80

Z
( , , ):
,
,
0 0777 0 030 100
2 4
1 98

Observm c
Z Z
calc ( ) /
,
2
1 96
deci respingem H
0
i vom considera c decesul prin
cancer de plmni apare semnificativ mai frecvent la brbai dect la femei.

c. Se compar o distribuie experimental cu o distribuie teoretic de
proporii
n cazul variabilelor nominale, dac avem n clase (distribuie multinominal),
rezultatele experimentale obinute prin analiza unui lot de N indivizi se exprim cu
ajutorul unui tabel de forma tabelului II.14.
. Ipoteza de zero: O E
j j
j 1, ..., n adic valorile observate experimental O
j

difer semnificativ de cele ateptate E
j
(observed values), pentru toate clasele j.
Tabelul II.14. Prezentarea datelor pentru aplicarea testului de concordon la o distribuie
multinominal.
Caracteristica
............
Clasa
1
Clasa
2
........ Clasa
n
Total

Valori
experimentale
O
1
O
2
......... O
n
N
Valori
teoretice
E
1
E
2
E
n
N

. Test aplicat: testul
2
al lui Pearson
Statistica

n
j
i
i i
E
E O
2
2
) (
(II.5.49)
are o repartiie
2
. Pentru ca ipoteza de zero s poat fi respins:
) ( ) (
2
,
2
tab calc (II.5.50)

. Pachetele statistice dau valoarea lui p interpretabil conform fig. II.14.
. Observaie: Valorile teoretice trebuiesc calculate n funcie de specificul
studiului; ele pot fi i valori fracionare. Ele pot fi evaluate i pentru un total diferit i
apoi convertite pentru acelai total.
Exemplul II.16. Dorim s studiem rspndirea grupelor sanguine i facem ipoteza c
sunt uniform rspndite. Rezultatele experimentale obinute pe un lot de 80 de indivizi
sunt prezentate n tabelul II.15.a.

Tabel II.15.a. Repartiia grupelor sanguine ntr-un lot cu N = 80
(Caracteristica)
Grupa sanguin
O(I) A(II) B(III) AB (IV) Total
Valori
experimentale
22 33 14 11 80
Valori
teoretice
20 20 20 20 80


81

Ipoteza de zero: grupele sanguine sunt uniform rspndite n populaia analizat.
Conform formulei (6.49.) obinem:

5 . 14
20
20 11
20
20 14
20
20 33
20
20 22
2 2 2 2
2

Din tabel, pentru = 5% gsim
x
0 05 3
2
7 815
, ;
,
deci

) ( ) (
2 2
tab calc
i vom respinge H
0
afirmnd c din studiul efectuat rezult c
grupele sanguine nu au o rspndire uniform n populaia analizat.

Observaie: noi am efectuat calcule anterioare pentru ipoteza c grupele
sanguine ar fi uniform rspndite. Putem ns s verificm i alte ipoteze. De exemplu,
un studiu efectuat n America Latin afirm c acolo grupele sanguine ar avea
rspndirea: 30% grupa 0, 15% grupa A, 40% grupa B i 15% grupa AB. n acest caz
tabelul II.5.11. ar deveni:

Tabel II.5.11. Repartiia grupelor sanguine ntr-un lot cu N = 80
(Caracteristica)
Grupa sanguin
O(I) A(II) B(III) AB (IV) Total
Valori experimentale 22 33 14 11 80
Valori
teoretice
24 12 32 12 80
iar 9 . 15
2
deci i in aceast situatie ipoteza H
0
este respins.

d. Test de omogenitate pentru tabele de contingen
S introducem mai nti noiunea de tabel de contingen. n cazul variabilelor
nomiale (sau variabile numerice dar cu valori mprite pe intervale), dac urmrim
imprirea dup dou caracteristici (dou criterii de clasificare) obinem un tabel de
contingen.
Definiie: Tabelul de contingen reprezint o form de prezentare a datelor variabilelor
nominale (sau pe clase) dup dou caracteristici: una plasat pe linii i alta plasat pe
coloane.
Un exemplu de tabel de contingen este prezentat n tabelul II.5.12.

Tabel II.16. Model de tabel de contingen
elev/student muncitor ran intelectual alte Total
Primul
criteriu de
clasificare:
Mediul
Urban

Rural

Tabelul expus se numete tabel 2 x 5 artnd numrul de clase dup primul, respectiv al
doilea criteriu de clasificare.
Un test de omogenitate aplicat unui tabel de contingen are menirea de a
verifica dac proporiile diferitelor clase pe un rnd (coloan) sunt aproximativ aceleai
i pe celelalte rnduri (coloane).
Valorile experimentale ntr-un tabel de contingen le notm ca n tabelul II.17.


82

Tabel II-17. Notaii n tabelul de contingen cu L linii i C coloane pentru un eantion de N indivizi
Crit. 2
Crit. 1
1 ...... j ........ C Total
1
....
i
....
L

1
.....
1 j
......
1C

..... ..... ..... ...... ...

i1
.....
ij
......
ic

...... .... .... ...... ...

L1
....
Lj
......
L*

L
1

...
L
i

....
L
i

Total
C
*1
.... C
j *
..... C
c *

N

Pentru notaiile din tabelul II.17 sunt adevrate relaiile de mai jos:

C
j ij
i
L
*
(II.5.51.a)

L
i ij
j
C
(II.5.51.b)

N C L
j
j
C
i
i
L
ij
j
C
i
L
* *
(II.5.51.c)

( ) L 1 (C - 1) (II.5.52)

Valorile ateptate E
ij
se calculeaz pentru fiecare element al tabelului dup relaia:
E
L C
N
ij
i* j *
(II.5.53)
astfel nct totalurile pe linii i coloane vor rmne nemodificate. De obicei se
construiete nc un tabel de forma tabelului II.7 cu deosebirea c, n loc de valorile
observate, n csue se trec valorile ateptate. Marginile vor rmne nemodificate.

Avnd ambele tabele putem trece la aplicarea testului.
. Ipoteza de zero :
j i ij
E H
, ij 0
pentru , O :
. Test aplicat : testul
2
al lui Pearson.

Statistica
X
2 ( )
ij ij
ij j i
E
E
2
(II.5.54.)
are o distribuie cu
2
grade de libertate.
Pentru un prag de semnificaie ales, , se caut n tabel valoarea X
,
2
i se stabilete
regiunea de acceptare cnd este ndeplinit condiia (6.50.).
Programele de calculator dau direct valoarea lui p.

83

Exemplul II.17.a. Comparm dou tratamente A i B pe dou loturi avnd
N
1
100

respectiv N
2
50 pacieni. Rezultatele obinute sunt trecute n tabelul II.17.a.

Tabelul II.17.a. Rezultatele obinute prin dou tratamente
Ameliorat Neameliorat Total
Tratament. A
Tratament B
40 60
30 20
100
50
Total 70 80 150

0
: cele dou tratamente dau rezultate identice:
. Calculm valorile ateptate conform (6.53.) i obinem tabelul II.17.b.

Tabelul II.17.b. Rezultate ateptate n condiia respectrii ipotezei de zero
Ameliorat Neameliorat Total
Tratament. A
Tratament B
46,6 53,3
23,3 26,6
100
50
Total 70 80 150

Cu formula (5.54) obinem:
2
5 61 , ,
n timp ce din tabel, pentru = 5% i =
1 grad de libertate (pentru un tabel 2 x 2, cu 2 linii i 2 coloane), avem
x
0 05 1
2
3 84
, ;
, .

Observm c nu se respect condiia X calc X tab
2 2
( ) ( ), deci nu acceptm
ipoteza de zero i vom spune c tratamentele dau rezultate diferite.

e. Test de independen pentru tabele de contingen
Un test de independe are scopul de a stabili dac exist vreo relaie de
dependen ntre categoriile obinute prin dou clasificri diferite; de exemplu ntre
culoarea prului i sex, ntre nlime i greutate, ntre vrst i adaptarea la efort etc.
. Ipoteza zero: cele dou criterii de clasificare sunt independente (din punct de vedere
probabilistic).
. Test aplicat: testul
2
al lui Pearson
Abordarea este asemntoare cu cea prezentat la testul
2
ca test de
omogenitate, avnd i aceleai criterii de interpretare pentru regiunea de acceptare /
respingere a H
0
.
Exemplu II.18. Pentru a stabili dac ntre nlime i greutate exist vreo dependen ,
n cea mai simpl variant putem alege o valoare care mparte, n dou categorii
aproximativ egale o populaie din care extragem un eantion. Rezultatele culese sunt
prezentate n tabelul II.18.a.


84

Tabelul II.18.a. Clasificarea indivizilor unui lot dup nlime i greutate
nlime
Greutate
sub 175 cm peste 175 cm Total
sub 70 kg 40 16 56
peste 70 kg 8 36 44
Total 48 52 100

. Ipoteza de zero: cele dou clasificri sunt independente.
. Conform ipotezei de zero putem calcula valorile ateptate cu formula (6.53) i obinem
tabelul II.18.b.

Tabelul II.18.b Valorile ateptate la clasificarea indivizilor dup nlime i greutate dac
cele dou clasificri ar fi independente
nlime
Greutate
sub 175 cm peste 175 cm Total
sub 70 kg 26,88 29,12 56
peste 70 kg 21,12 22,88 44
Total 48 52 100

Cu formula (5.54.) obinem
2
= 27,5, n timp ce din tabel, pentru = 5% i =
1 grad de libertate avem
0 05 1
2
3 84
, ;
, ; mai mult, chiar pentru = 1% i = 1 avem
0 005 1
2
7 88
, ;
,
deci putem respinge H
0
i s spunem c diferenele sunt foarte
semnificative. Respingerea lui H
0
n cazul nostru nseamn respingerea ipotezei c cele
dou criterii de clasificare sunt independente. O analiz mai detaliat a dependenei
ntre variabile se face prin metode adecvate ce vor fi prezentate n capitolul urmtor.
Observaie: n cazul tabelelor de contingen, dac vreuna din csue (mai ales ale
valorilor ateptate) conine mai puin de 5% din observaii, se prefer aa numita
corecie Yates:

2
2
0 5 (/ / , ) O E
E
i i
i
i
(II.5.55.)
astfel nct valorile foarte sczute (mai rare) s nu influeneze prea puternic valoarea
testului.
6. CORELAIA SI REGRESIA
Dup cum am sesizat nc din cursul precedent, mrimile pe care le analizm n
diferite studii pot fi, fie independente ntre ele, fie legate prin diferite relaii.
Evidenierea unor relaii ntre mrimi poate sugera fie o fenomenologie cauzal, fie o
corelaie mai complex ce necesit studii aprofundate. Oricum, respingerea unei ipoteze
de zero ntr-un test de independen d n general de gndit cercettorilor, care pot
sesiza o serie de aspecte interesante din simpla analiz statistic a datelor. Deseori
analiza statistic a unor date sugereaz o serie de alte studii pentru precizarea
fenomenelor care genereaz anumite dependene.
Datorit faptului c analizele de acest tip urmresc comportarea a dou variabile
ele se numesc analize bivariate.


85

6.1. RELAII NTRE DOU VARIABILE CANTITATIVE
A. Relaia de dependen
a. Variabile independente
Variabilele cantitative, fiind foarte des ntlnite n studiile biomedicale, permit cea mai
fin analiz a relaiei de dependen/independen. S ilustrm acestea prin cteva
exemple.
Figura II.16. Relaia ntre nlimea unui individ h, i concentraia de hemoglobin din
snge [Hb]. Repartiia aproape simetric i uniform a punctelor sugereaz absena vreunei
corelaii
Exemplul II.19. ntr-un studiu pe un lot de 50 de indivizi am urmrit mai multe
variabile, cantitative i calitative. Dac alegem dou variabile (cantitative), de exemplu
nlimea h, respectiv concentraia hemoglobinei n snge, [Hb], ntr-o reprezentare
grafic n care lum pe axa Ox nlimea h i pe pe axa Oy concentraia hemoglobinei
[Hb], fiecare individ va fi reprezentat print-un punct. Un astfel de grafic se numete
grafic de mprtiere (scatter plot). Datele obinute sunt reprezentate n figura
II.16.

Repartiia simetric i fr vreo tendin a punctelor n graficul obinut sugereaz
absena vreunei legturi ntre cele dou mrimi; vom spune despre ele c sunt
independente.

b. Variabile dependente
Dac reprezentm, relaia ntre presiunea parial a oxigenului din aerul respirat
i concentraia oxigenului dizolvat n snge am obine un grafic de forma celui din fig.
II.17.

Figura II.17. Dependea concentraiei sanguine a oxigenului dizolvat de presiunea parial a
oxigenului din aerul respirat

86

Legtura dintre cele dou mrimi este att de vizibil nct ne sugereaz nu
numai acceptarea unei relaii cauzale ci chiar gsirea unei formule pentru relaia dintre
cele dou mrimi; stabilirea unei astfel de formule (formalizarea matematic a
fenomenului) reprezint obiectul de studiu al unui capitol important al informaticii
medicale numit modelare i simulare. n partea de biostatistic ne intereseaz doar
faptul c cele dou mrimi nu par independente - la testul
2
de independen, mprind

2
pO
i respectiv ] [O
2
n cteva clase (chiar i cu numai 2 clase), vom respinge
ipoteza de zero referitoare la independen, iar acceptarea unei dependene ne impinge
spre cutarea unei formule care s exprime respectiva dependent.

c. Variabile corelate
n exemplul prezentat anterior, relaia cauzal prea rezonabil: n condiiile unei
concentraii crescute a oxigenului atmosferic pare uor acceptabil (cauzal) o
concentraie mai mare a oxigenului dizolvat n snge. Exist ns situaii n care datele
experimentale sugereaz o relaie de dependen, dar mecanismele fiziologice, la nivelul
cunotinelor actuale, nu justific pe deplin o relaie cauzal direct, ns cel mai adesea
admite o cauz comun pentru variaiile observate ale celor dou mrimi; astfel de
variabile se numesc variabile corelate.
Un exemplu tipic l constituie corelaia ntre nlimea i greutatea indivizilor
(figura II.18.), n care nu putem preciza c una dintre variabile este cauza i cealalt este
efectul.

Figura II.18 Corelaia nlime-greutate pe un lot de 180 brbai aduli

Analiza corelaiei nlime-greutate, pe care o putem efectua cnd cunoatem
poziia fiecrui punct n graficul II.18. este mult mai fin dect cea din testul de
independen din cursul precedent. Repartizarea punctelor n graficul din figur,
sugereaz o exprimare de forma cu ct individul este mai nalt, cu att greutatea sa ne
ateptm s fie mai mare.
B. Corelaia liniar
n cazul n care considerm c punctele dintr-o diagram de mprtiere se
situeaz pe o dreapt, corelaia se numete corelaie liniar.

a. Coeficient de corelaie
Intensitatea corelaiei este apreciat print-un parametru numit coeficient de
corelaie Pearson.


87

i
0
- Formula coeficientului de corelaie este:

2 2
i
) ( ) (
) (Y ) (
Y Y X X
Y X X
S S
s
r r
i i
i
y x
xy
xy
(II.6.1)
unde

2
y
2
S si
x
S
reprezint variana lui x, respectiv y:

S
X X
N
Y Y
N
x
i i 2
2 2
( ) ( )
, S
y
2
(II.6.2)
iar S
xy
se numete convariana ntre x i y i este dat de:

S
X X Y Y
N
xy
i i
( ) ( )
(II.6.3)

ii
0
- Proprieti.
- coeficientul de corelaie r are valori cuprinse ntre -1 i +1
r [-1, +1] (II.6.4)
- valorile pozitive ale lui r indic o corelaie direct ntre x i y (creterea lui x este
nsoit de creterea lui y, figura II.19.a), n timp ce valori negative indic o corelaie
invers (cnd x crete, y scade, figura II.19.b.).

Figura II.19. Ilustrarea corelaiei liniare directe i inverse

- Valorile absolute mari ale lui r (apropiate de +1, respectiv -1) indic o corelaie
puternic, n timp ce valorile mici (n jurul lui 0) indic o corelaie slab (sau absena
corelaiei) - figura II.20.

Figura II.20. Aprecierea intensitii corelaiei liniare dup valoarea lui r

88

Observaie: Coeficientul de corelaie Pearson arat numai n ce msur datele
experimentale se potrivesc unei reprezentri descrise de o dreapt; deci o valoare
sczut a lui r nu nseamn neaprat corelaie slab ci corelaie liniar slab, ns ar
putea fi puternic dar de alt tip.

b. Semnificaia coeficientului de corelaie
Valorile lui r depind att de gradul de mprtiere al valorilor experimentale ct
i de N - numrul de puncte. Uneori, cnd N este mic putem obine, din ntmplare,
valori ridicate pentru r, conducndu-ne la concluzii hazardate cu privire la intensitatea
corelaiei. De aceea, se poate testa semnificaia coeficientului de corelaie liniar r.
0
0 : ( coeficientul de corelaie liniar pentru ntreaga
populaie, r = coeficientul de corelaie obinut pe un eantion).
. Test aplicat: testul t (Student)
Se poate demonstra c raportul:

t t r
N
r
calc
2
1
2
(II.6.4)
are o repartiie Student cu N 2 grade libertate.
Pentru un prag de semnificaie gsim n tabel valoarea t
/ ,
.
2
n caz c
t t
calc tab
vom accepta H
0
; n caz contrar o respingem i vom spune c avem o
probabilitate ridicat de a avea ntr-adevr o corelaie liniar.

Figura II.21. Regiunile de acceptare/respingere a H
0
pentru coeficientul de corelaie.
Eroarea standard a coeficientului de corelaie se calculeaz cu relaia:

N
r
S
r
2
1
(II.6.5)
deci pentru pragul de semnificaie , putem localiza intervalul n care se gsete
coeficientul de corelaie al populaiei prin relaia:
( ; )
/ , / ,
r r t S t S
r r 2 2
r (II.6.6)

89

Pe baza relaiei (II.6.6) se poate construi un tabel sau se poate ridica un grafic cu
regiunea de acceptare / respingere a ipotezei de zero (figura II.21).

c. Dreapta de regresie
i
0
- Definiie
n cazul unei corelaii liniare, dreapta care trece cel mai bine printre punctele
experimentale se numete dreapt de regresie.
ii
0
- Ecuaia dreptei de regresie
Dac notm cu x variabila independent i cu y variabila dependent, atunci
ecuaia unei drepte y = f(x) are forma:
y = a + bx (II.6.7)
n care a se numete ordonat la origine (limba engleza intercept) iar b se numete
panta dreptei (limba engleza slope) - figura II.22.

Figura II.22. Semnificaia parametrilor pentru dreapta de regresie liniar.

iii
0
- Metoda celor mai mici ptrate.
Pentru determinarea coeficienilor a i b din ecuaia dreptei vom considera c
cea mai bun dreapt care trece printre punctele experimentale este cea pentru care
suma ptratelor abaterilor,
i
este minim , adic:
SSE
i
2
min. (II.6.8)

iv
0
- Formule pentru coeficienii dreptei de regresie.
. Fundamentare teoretic.
Observm c pentru un punct experimental P(X
i i
Y , ), gsim dreapta de
regresie punctul Y Y X P
i i i
,
distanta la )
, (
i i
Y
unde
Y
i
reprezint valoarea pe
care ar avea-o variabila Y pentru valoarea lui dac punctul s-ar gsi pe dreapt:

90

Y a bx
i i

(II.6.9.)
Suma SSE depinde de coeficienii a i b:

SSE y a bx
i i
( )
2
min
(II.6.8.b)
Valoarea minim se obine cnd derivatele n raport cu a i b se anuleaz:

SSE
a

SSE
b
0 0 ,
(II.6.8.c)
Se obine un sistem de dou ecuaii cu dou necunoscute, a i b, care prin rezolvare ne
d rezultatele:
b
S
S
X X Y Y
X X
Y
S
S
xy
x
i i
i
xy
y
x
2 2
( )( )
( )
(II.6.9.a)

a Y b X (II.6.9.b)

v
0
- Intervale de ncredere pentru a i b
. Fundamentarea teoretic.
Celor N perechi de valori reprezentnd cele N puncte li se asociaz
N 2 grade de libertate, ele fiind legate i prin relaia dreptei de regresie. Dac
notm dispersia abaterilor cu S
2
:

S
SSE
N N
y y
N
i i 2
2 2
2 2 2
( )
(II.6.10)
atunci eroarea standard pentru pant este:

S
S
S
b
x
2
2
(II.6.11.a)
iar pentru ordonata la origine

S S
N
X
X X
a
i
2
2
2
1
(
(II.6.11.b)
Pentru un prag de semnificaie , intervalele de localizare ale parametrilor
estimai, b
si a vor fi date de:

( , )
/ , / ,
b b t S b t S
b b 2 2
(II.6.12.a)

( , )
/ , / ,
a a t S a t S
a a 2 2
(II.6.12.b)

i
0
- Teste de semnificaie pentru a i b.
Avnd calculate intervalele de ncredere a estimatorilor, putem aplica teste de
semnificaie pentru cei doi coeficieni ai dreptei de regresie.
. Pentru pant:
- ipoteza de zero: H
0
0 b :
- test aplicat: testul t pentru un prag de semnificaie ales i pentru N 2
grade de libertate, din tabel avem t
/ , 2
. Calculm:
t b s
calc
b
b
/ (II.6.13.a)
dac t t
calc tab
se accept H
0
, n caz contrar se respinge.

91

. Pentru ordonata de origine
- ipoteza de zero : H
0
0 a :
- test aplicat: testul t pentru un prag de semnificaie ales i pentru
N 2 grade de libertate, din tabel avem t
/ , 2
. Calculm:
t a S
calc
a
a
/ (II.6.13.b)
i dac t
calc
t
tab
se accept H
0
, n caz contrar se respinge.

Observaie: aplicarea testului de semnificaie pentru pant este foarte important
deoarece o valoare nesemnificativ diferit de zero arat o independen ntre variabile,
chiar dac este mare i satisface testul de semnificaie.

Exemplul II.20. Corelaia ntre pH-ul sanguin i frecvena cardiac poate fi
reprezentat grafic ca n figura II.23.

Figura II.23. Corelaia ntre pH-ul sanguin i frecvena cardiac: deoarece pHs variaz
foarte puin, punctele se nscriu bine pe o dreapt i obinem o valoare mare pentru r, care
satisface i testul de semnificaie t. ns panta nu difer semnificativ de zero, deci putem
considera mrimile ca independente
vii
0
- Originea denumirii dreptei de regresie
Numele de dreapt de regresie a fost introdus de W. Galton, care a studiat
relaia ntre nlimea copiilor i nlimea prinilor. Dei pe ansamblu copiii au avut o
nlime medie mai ridicat dect a prinilor, aceast cretere nu era uniform
repartizat, fiind mai accentuat pentru copiii avnd prini mai scunzi, n timp ce
nlimea copiilor provenind din prini nali era deseori mai mic dect a prinilor
(figura II.24.).

Interpretarea de tendin ctre mediocritate dat acestor observaii suscit
nc i azi o serie de discuii.


92

Figura II.24. Alura unei reprezentri ilustrnd termenul de regresie

viii - Testarea liniaritii
Corelaia liniar este cea mai simpl i cea mai studiat, de aceea n analiza
corelaiei ea se efectueaz prima; deseori, obinerea unor rezultate ce indic o corelaie
liniar slab este interpretat - nejustificat - ca absen a unei corelaii. Acest lucru
poate fi adevrat ns exist dese situaii cnd variabilele sunt destul de puternic
corelate ns nu liniar (figura II.25.).

Pentru a verifica liniaritatea se construiete o nou variabil:
Z
Y Y
S S
i
i i i
2 2
(II.6.14.a)
0
: regresia este liniar
. Test aplicat: testul Z al distribuiei normale, astfel:
- alegem un nivel de semnificaie i lum din tabel Z
- dac Z
i
Z i =1... N (II.6.14.b)
atunci acceptm H
0
, n caz contrar o respingem.

Figura II.25. Corelaia neliniar

93

ix
0
ncadrarea dreptei de regresie
Dreapta de regresie teoretic Y = + X poate lua valori n intervalul (aici
= ordonata la origine, = panta)

y
S t Y S -t Y Y
y
( ) (II.6.15)
unde t este valoarea din tabelul repartiiei t pentru un prag de semnificaie ales.

Figura II.26. ncadrarea dreptei de regresie n intevale de ncredere de 95% i 99%
Eroarea standard a estimrii lui
Y pentru fiecare X se calculez cu:

N
X
X
X X
N
S S
y 2
2
2
2
) (
) (
1
(II.6.16)
n felul acesta n reprezentarea grafic a diagramei se traseaz i limitele de
ncadrare a dreptei (figura II.26.).

Observaie: Dreapta de regresie a variabilei Y fa de X este diferit de dreapta de
regresie X fa de Y (deci cea care s-ar obine dac am inversa axele pe care sunt plasate
cele dou variabile). De aceea, cnd ar exista pericol de confuzie, coeficienii dreptei y
=f(x)=a + bx se noteaz b
y/x
i a
y/x
n timp ce pentru dreapta X = f(y) se noteaz
b
x y /
respectiv a
x y /
. Coeficientul de corelaie r rmne acelai n ambele situaii.
C. Corelaii si regresii neliniare
Dei corelaia liniar este ntlnit destul de des, o serie de fenomene din meteria
vie conduc la reprezentri destul de deprtate de o dreapt, astfel nct este mult mai
potrivit alegerea altei relaii pentru descrierea dependendenei ntre variabile n
cazurile respective.
a. Raport de corelaie
n cazul regeresiei neliniare, n locul coeficientului de corelaie r se folosete
un alt parametru numit raport de corelaie, dat de formula:

xy
i
i
i
i
1
2
2
2
2
(II.6.17)

94

unde , i au semnificaia din figura II.22., cu deosebirea c punctul P
,
va fi
situat pe curba de regresie (deci nu neaparat pe o dreapt). n aceast relaie
y se va
calcula conform curbei care se presupune c descrie relaia dintre x i y. Dac avem o
corelaie liniar, raportul de corelaie va fi egal cu coeficientul de corelaie.
Intervalele de ncredere pentru rapoartele de regresie se calculeaz cu ajutorul
coeficienilor F din testul lui Fisher.
n cele ce urmeaz vom enumera cteva corelaii neliniare mai des ntlnite n
medicin i biologie.

b. Corelaii si regresii exponeniale
Sunt foarte des ntlnite n descrierea fenomenelor naturale.
- Ecuaia regresiei exponeniale:
y a e
bx
(II.6.18)
avnd coeficienii a i b.
- Exemple:
i
0
- corelaii exponeniale cresctoare (b 0)
- n fenomene de absobie (intenstinal etc.)
ii - corelaii exponeniale descresctoare (b 0)
- clearance - funcia de epurare (renal, hepatic)

c. Corelaii i regresii logaritmice
- Ecuaia regresiei logaritmice:
y = a + b log x (II.6.19)

- Exemple:
. legea Weber - Fechner - ntre senzaie i intensitatea stimulului.

d. Corelaii i regresii ca funcie putere
- Ecuaia funciei putere:
y = a . x
b
(II.6.20)
- Exemple:
. legea lui Stevens - ntre frecvena impulsurilor nervoase pe o fibr i intensitatea
stimulului

e. Corelaii si regresii hiperbolice
- Ecuaia funciei hiperbolice:
(x+a) (y + b) = k (II.6.21)
- Exemple:
. legea lui Hill - relaia ntre for i viteza de contracie pentru muchiul striat
. legea lui Abbey - relaia ntre intensitatea i durata unui stimul luminos foarte scurt
pentru determinarea pragului de sensibilitate.

f. Corelaii i regresii logistice
- Ecuaia funciei logistice:
y
a x
b x
(II.6.22)


95

- Exemple:
. Cinetica Michaelis - Menten - relaia ntre viteza reaciei enzimatice i concentraia de
substrat.
. Curbele doz-efect-relaia ntre doza unei substane medicamentoase i efectul dozei
respective asupra unui esut (Ariens)
(Observaie: reprezentrile funciei logistice se fac de obicei n coordonate y = f (log
x), funcia avnd n acest caz o form sigmoidal i o serie de proprieti de simetrie).
Exist i alte tipuri de regresii cu care ne mai putem ntlni: parabolice,
polinomiale etc.

D. Metode de fitare
Definiie: Metodele folosite pentru a gsi cea mai bun dreapt, sau curb de
un anumit tip, care s treac printre punctele experimentale se numesc metode de fitare.
Cele mai des ntlnite metode de determinare a parametrilor curbei (dreptei) de
regresie sunt:
a. Metoda celor mai mici ptrate, pe care am descris-o anterior, bazat pe
minimizarea sumei abaterilor punctelor experimentale de la curba de regresie (formula
6.8.a.)
b. Metoda transformrilor liniare, prin care se efectueaz n ecuaia curbei
de regresie o schimbare de variabil astfel nct, cu noile variabile reprezentarea s
devin o dreapt. Iat cteva exemple:
- pentru regresia exponenial
log y = z, log a = c : z = c + b . x (II.6.18)
- pentru regresia logaritmic
log x = z : y = a + b . z (II.6.19)
- pentru regresia putere
log y = z , log x = t, log a = c : t = c + b . t (II.6.20)
- pentru regresia hiperbolic

1
x a
z :
y = -b + k . z (II.6.21)
- pentru corelaia logistic

1
y
z t c d , , ,
1
x

1
a

b
a
:
z = c + d . t (II.6.22)
(Observaie: aceast transformare liniar se mai numete transformarea Lineweaver
Burke sau transformare dublu reciproc i este mult utilizat n prelucrarea datelor de
cinetic enzimatic).
Trebuie menionat c metoda transformrilor liniare conduce la rezultate ce
difer de metoda celor mai mici ptrate aplicat direct la datele experimentale.

c. Metoda asemnrii maxime - se bazeaz pe determinarea valorilor pentru
care datele experimentale ar fi aprut aa cu cea mai mare probabilitate. Rezultatele
obinute sunt apropiate de cele din metoda celor mai mici ptrate.


96

6.2. RELAII NTRE DOU VARIABILE ORDINALE
n cazul variabilelor ordinale parametrii definii anterior nu se mai potrivesc i
sunt definite mrimi specifice pentru ranguri.

A. Coeficientul de corelaie a rangurilor - Spearman
Este un coeficient de corelaie liniar ntre rangurile acordate diferiilor
indivizi n clasificri diferite.
a. Formula

) 1 (
1
2
2
:
N N
D
R
i (II.6.23)
unde D
i
este diferena ntre rangurile individului i n cele dou clasificri.

b. Exemplul II.21.a
Considerm rezultatele obinute prin testul psihologic Luscher de preferin a
culorilor pe dou loturi: un grup de aduli i un grup de copii (cu vrsta 5-15 ani) -
tabelul II.19.

Tabel II.19.a. Rangurile preferinei culorilor prin testul Luscher la dou loturi

Culoarea
Rangul

Copii
Preferinei

Aduli

D

D
2

Rezultate:
R=Rou
G=Galben
1
2
5,5
5,5
-4,5
-3,5
20,25
12,25
N=6
D
2
51
V=Verde
A=Albastru
5
3,5
4
1
1
2,5
1,00
6,25
R=0,35
R
tab
0 05
0 829
,
,

W=Alb
N=Negru
3,5
6
2
3
-1,5
3
2,25
9,00
R
tab
0 01
0 943
,
,

== Corelaie
nesemnificativ

e. Semnificaia coeficientului de corelaie Spearman
La fel ca i n cadrul coeficientului de corelaie liniar, coeficientul R poate fi
comparat cu valori dintr-un tabel.
- Ipoteza de zero: 0 = R :
0
H
- Test aplicat: test specific pentru R (coeficientul de corelaie al ragurilor).
- Aplicaie: pentru un nivel de semnificaie (0,05 sau 0,01) se caut valoarea din
tabel R R
N tab ,
.
Dac R R
tab
se accept H
0
i se consider corelaia nesemnificativ, n caz
contrar se respinge H
0
i se consider o corelaie semnificativ a rangurilor.
B. Coeficientul de corelaie Kendall
Este tot un coeficient de corelaie pentru ranguri.
a. Formula

K
S
N N
2
1 ( )
(II.6.24)

97

unde S este suma scorurilor pozitive i negative ale rangurilor dintr-o clasificare n
raport cu cealalt clasificare.

b. Exemplul II.21.b:
Rearanjm datele din tabelul II.19.a. astfel nct o clasificare s fie ordonat
(de ex. cea pentru copii); datele apar acum ca n tabelul II.19.b.

Deci S = -9 + 5= -4 i nlocuind n (II.6.24) obinem K = - 0,266.
Exist tabele prin care se poate n continuare verifica i semnificaia acestui coeficient
de corelaie.

Tabel II.19.b Rangurile preferinei culorilor - dou clasamente obinute pe dou loturi: copii
i aduli - rearanjarea datelor din tabelul 7.1

Culoarea
Rangul

Copii
Preferinei

Aduli

Notaie

D(-)
r j
i
r
j,
, i

D(+)
r r j i
i j
,

Rou
Galben
.............
Albastru
Alb
.............
Verde
Negru
1
2
..................
3,5
3,5
.................
5
6
5,5
5,5
............
1
2
...........
4
3
r
1

r
2

.........
r
3

r
4

..........
r
5

r
6

4
( , , , ) r r r r
3 4 5 6

4(r
3 4 5 6
, , , ) r r r
..........
0
0
...............
1( r
6
)
-
0
0
............
3( r r r
4 5 6
, , )
2(
r r
5 6
, )

.............
0
-
-9

+5

6.3. RELAII NTRE VARIABILE NOMINALE
Corelaia ntre variabilele nominale nu se caracterizeaz prin coeficieni de
corelaie ci se efectueaz prin aplicarea unui test statistic care s indice prezena /
absena unor corelaii ntre clasificrile realizate dup mai multe criterii.
A. Testul de independen
2
Sub forma prezentat n capitolul 5, testul poate da informaii asupra corelaiei
/ independenei ntre clasificrile n cte dou clase, dup dou criterii.
Testul poate fi generalizat pentru m clase i n criterii; n acest caz se utilizeaz
mai des un coeficient de contingen C:

C
N
2
2
(II.6.25)
Coeficientul C = 0 indic independena variabilelor. Cu ct este mai mare, cu att
legtura este mai puternic (valoarea maxim
C
max
/ , 1 2 0 707
).

98

B. Ali indicatori
Pentru variabile nominale sau propus i ali indicatori care s ilustreze posibile
relaii ntre clase:
a. Indicatori de asociere
- folosit pentru tabele de continge 2 * 2
- formula:

bc ad
L L CC
1 2 1 2
, L
1
, L
2
, C
1
, C
2
fiind totalurile pe linii, respectiv coloane
- [-1, + 1] ; valori extreme indic asociere puternic, valori n jurul lui 0 indic
independen
- semnificaia statistic se determin cu ajutorul repartiiei , statistica fiind calculat
cu formula:

2 2
N (II.6.26.b)
b. Indicatori de grupare
Prin diverse tipuri de analize se pot gsi criterii dup care indivizii unui lot se
pot grupa n mai multe clase astfel nct s se poat preciza asemnarea ntre indivizii
unei clase i deosebirea lor fa de indivizii altor clase.

6.4. RELAII NTRE MAI MULTE VARIABILE CANTITATIVE
n cazul n care generalizm analiza bivariat, n care urmream relaia ntre
variabil (dependent) i o variabil independent, obinem o analiz multivariat, n
care avem o funcie de mai multe variabile:
y f x ( , , )
1 2
x ..., x
n
(II.6.27)
Cea mai simpl relaie este regresia liniar multipl, n care considerm
dependena de forma:
y b b x b x b x
n n 0 1 1 2 2
.... (II.6.28)
Cea mai bun suprafa de regresie se obine cnd:

i
i
y y
2 2
( ) min (II.6.29)
unde .... y b b x b x b x
i i i
n n
i
0 1 1 2 2
(II.6.28)
Pentru regresia multipl se definesc:
coeficientul de corelaie global
coeficienii de corelaie pariali (lund pe rnd fiecare pereche de
variabile).
7. EPIDEMIOLOGIE
Epidemiologia este un domeniu medical pluridisciplinar avnd o zon de
intersecie mare cu biostatistica. n epidemiologia clinic se urmrete att determinarea
frecvenei de apariie a unei boli ct i definirea unor asocieri ntre boal i factori
cauzali sau favorizani. Cnd se suspecteaz vreo astfel de asociere, se ncearc la
nceput s se identifice condiiile care determin creterea riscului unei afeciuni, apoi
evidenierea unei relaii cauz-efect, avnd n final consecine n dezvoltarea unui
tratament adecvat i a unor strategii profilactice.

99

Studiile epidemiologice intr n categoria studiilor populaionale care cuprind
dou mari capitole:
- analiza riscului (partea central a epidemiologiei)
- analiza supravieuirii
7.1. ANALIZA RISCULUI
A. Factori de risc
a. Definiie: O cauz ipotetic (indiferent de natur - comportament, condiie,
caracteristic fizic sau de mediu etc.) ce determin creterea probabilitii ca un individ
sntos s dezvolte a anumit boal reprezint un factor de risc.
b. Clasificare:
- factori de mediu: factori poluani, toxine, microorganisme infecioase etc.
- factori comportamentali (obiceiuri): fumat, alcool, droguri, nerespectarea msurilor de
protecie a muncii, sedentarism etc.
- factori sociali: evenimente familiare tragice, divor, pierderea serviciului etc.
- factori genetici: hipercolesterolemie etc.
c. Tipuri de expunere la aciunea factorului de risc:
- expunere punctual - ex. accidente (la o intreprindere chimic etc.)
- expunere cronic - cea mai frecvent; se estimeaz n aceste condiii doza curent,
doza cumulat, durata expunerii etc.
d. Relaia factor risc / boal:
- factor cauzal - cnd putem atribui factorului o aciune direct
- factor favorizant (marker) care crete probabilitatea, dar nu i se poate atribui o aciune
direct (ex: factorii sociali - economici, educaionali etc.).
B. Prezentarea datelor
Uzual datele din analiza riscului se prezint sub forma unui tabel de contingen,
cel mai frecvent 2 x 2 (cu dou linii i dou coloane) n care ntregul lot de N indivizi
este mprit n grupul de indivizi expui (L1), respectiv neexpui (L2). Din fiecare
grup, o parte dezvolt boala, (N11 din L1, respectiv N21 din L2), o parte nu (N12 din
L1, respectiv N22 din L2) - tabelul II.20
Tabel II.20. Prezentarea schematic a datelor unui studiu epidemiologic: E+ =expui, E- =
neexpui la aciunea factorului de risc; B+ = prezint boala, B- = nu prezint boala

Expunere

C. Metode de studiu n
epidemiologie
a. Studii experimentale
Din punct de vedere teoretic rezultatele cele mai de ncredere s-ar obine ntr-
un studiu experimental, n care investigatorul are controlul complet asupra factorului de
risc (ca variabil independent, cu rol cauzal) i urmrete efectul asupra grupelor
(varibile dependente). Din considerente etice ns, aceste studii sunt limitate doar la
aciunea unor factori cu risc redus.

B+ B -
E+ N11 N12 L1
E - N21 N22 L2
C1 C2 N

100

b. Studii observaionale
n marea majoritate a cazurilor studiile trebuie efectuate pe loturi n care
expunerea nu s-a ntmplat la dorina expres a investigatorului. Marile dezavantaje ale
studiilor observaionale sunt: precizia limitat a msurrii aciunii factorului de risc
(intensitate, durat) i stabilirea grupelor expui / neexpui ce vor fi comparate concret.
Recunoaterea i controlul unor eventuale surse de bias constituie unul din
elementele urmrite prioritar n aceste analize.
Dintre tipurile de studii observaionale mai des ntlnite enumerm:
i - Studiul transversal (cross-secional) se mai numete i studiu de
prevalen. Este cel mai simplu model, bazat pe fotografierea unei situaii la un moment
dat, culegnd date de tipul celor din tabelul II.20.
Dintre dezavantajele mai des citate reinem:
- estimarea prevalenei este influenat n cazul evoluiilor rapide (fie spre deces fie spre
recuperare)
- incertitudinea anteceden - consecin
ii - Studiul prospectiv pe cohort (cohort prospective/folow-up/
longitudinal). Pornind de la numele unei uniti militare n epoca roman (cohorta),
care oferea condiii asemntoare de lupt pentru membrii ei, studiile de acest tip iau n
analiz dou loturi din persoane iniial sntoase, dintre care unul este supus la aciunea
factorului de risc suspectat. Loturile sunt urmrite n timp, pornind din momentul
definirii lor; se identific apariia afeciunii n ambele loturi. (figura II.27.a)
iii - Studiul retrospectiv pe cohort (historical cohort / retrospective / non-
concurrent). La fel ca n studiul prospectiv pe cohort evoluia se urmrete n sensul
natural al scurgerii timpului, pornind de la situaia unui grup iniial din care o parte au
fost expui i acum putem evalua la ci din fiecare grup, a aprut afeciunea analizat
(figura II.27.a)
iv - Studiul retrospectiv clasic (case-control) - n care grupul analizat
cuprinde cazurile n care a aprut boala i investigm n care din aceste cazuri a
existat o expunere la factorul de risc (deci urmrim n sens invers temporal) i
identificm apoi prezena/absena factorului de risc i pentru un grup martor (control) -
figura II.27.b. Aceste studii case-control, dei mai comode pentru colectarea unor
date, au destule dezavantaje: grupul martor nu poate fi ntmpltor ci trebuie selectat pe
aceleai criterii ca i grupul de cazuri; de asemenea, dac grupul B+ este selectat
dintre cazurile spitalizate, el deja cuprinde un important bias: cazurile mai grave!

c. Compararea metodelor
O analiz a posibilelor surse de erori n diversele tipuri de studii ne permite o
ierarhizare a metodelor enumerate, cele mai bune rezultate fiind ateptate de la studiile
experimentale; prezentarea ierarhic a metodelor este schiat n tabelul II.21.


101

Tabel II.21. Ierarhia metodelor de studiu n epidemiologie, functie de puterea acestora.
experimental cohort-prospectiv cohort-retrospectiv case-control cross-
sectional

(a)

(b)
Figura II.27. Tipurile de studii epidemiologice - prezentarea schematic: (a) studii de tip
cohort; (b) studii de tip case-control

trecut viitor prezent
E+
E-
D+
D-
D+
D-
Studiu cohort
retrospectiv
E+
E-
D+
D-
D+
D-
Studiu cohort
prospectiv

Timpul
trecut prezent
Starea factorului de risc
Starea afectiunii
expusi
neexpusi
expusi
neexpusi
afectiune prezenta
afectiune absenta

102

D. Parametri fundamentali n epidemiologie
a. Indici n studii populaionale
i - Prevalena unei boli ntr-o populaie: este proporia din populaia respectiv avnd
boala (la un moment dat):

populatie nr
B boala avnd indivizi Nr
N
N
v (B,t)
B
.
.
Pr
(t) +
(II.7.1)

ii - Incidena unei boli: este numrul de cazuri ce apar ntr-un interval t (t
1
,t
2
) ntr-o
populaie cu risc. Ea poate fi exprimat prin:
. incidena cumulativ CI: proporia ntr-un grup fix predefinit (cohort) la
care apare boala n intervalul specificat (fig. II.28).

CI (B, t) =
risc cu populatie nr.
t in noi cazuri nr. ) (
risc
inc
N
t N
(II.7.2)

Pentru exemplul din figura II.28.
Prv (1 ian.95) =
4
100
4%

CI =
7
100 4
7
96
7 4
(cazuri noi)
(cazuri existente la momentul t
pe perioada de 1 an
1
)
, %

Figura II.28. Cazuri de hepatit B ntr-un lot de 100 persoane: calculul indicelui cumulative

. densitatea de inciden ID (numit i rata de inciden, rata de hazard sau
fora morbiditii/mortalitii): este dat de numrul de cazuri noi ce apar ntr-un
interval t (t
1
,t
2
) ntr-o populaie cu risc, studiat pe diverse perioade de timp. ntr-un
studiu practic, pe o perioad ndelungat, din lotul iniial (tip cohort) se pierd o serie de
persoane din diverse motive (se mut, mor din alte motive , nu continu tratamentul

103

etc.). De aceea, cei care nu au fost prezeni ntreaga perioad nu se scot din studiu ci vor
fi luai n considerare numai n msura n care situaia lor a fost cunoscut.
ID (B , t) =
interval pe risc cu populatie mediu nr.
t in noi cazuri nr. ) (
*
risc
inc
N
t N
(II.7.3)

n figura II.29 este prezentat un model de eviden extins fa de cel din figura
II.28.
Din cohorta de 15 persoane cu risc (4 la 1 ian.1992, apoi 5 noi cazuri, 2 i
respectiv 4 noi cazuri la fiecare nceput de an 93-95), la 9 a fost depistat afeciunea
(1,3,6,7,8,9,10,12,14), care a determinat decesul n 5 cazuri (1,7,9,12,14); 2 au
supravieuit pn la ncheierea studiului (3,6), 1 a fost pierdut din eviden (8), iar unul
a decedat din alte cauze (10). Din restul de 6 persoane cu risc studiate (2,4,5,11,13,15)
la ncheierea celor 5 ani de urmrire mai erau n eviden 4 (5,11,13,15), unul a fost
pierdut din eviden (2) i unul a decedat din alte motive (4). Numrul total de ani de
risc pe ntregul lot este suma coloanei din dreapta: 35,5 ani. Deci:

an) * rsoana cazuri/(pe 25 . 0
5 . 35
9
ID

Dac loturile sunt omogene se poate folosi cu aproximaie relaia:
CI ID x t (II.7.4)
De asemenea, se poate aproxima o relaia ntre prevalen i inciden:
Prr ID x T (B) (II.7.5)
unde T (B) este durata medie a bolii.
iii Rata de morbiditate (Mrb): este incidena unei boli ntr-o populaie, ntr-un anumit
interval de timp (adesea 1 an).
Figura II.29. Studiu de urmrire a evoluiei unui lot cu risc de cancer

iv Rata de mortalitate: enumer cazurile de deces dintr-o populaie, ntr-un anumit
interval de timp; se utilizeaz:
- rata de mortalitate general: din orice cauz
- rata de mortalitate specific pe cauze: separat, pe boli sau grup de boli - (de
exemplu: cardiovasculare etc.)
- rata brut de mortalitate: fa de ntreaga populaie
- rata de mortalitate specific pe categorii: separat, pe anumite subgrupe de
populaie
- rata de mortalitate pe grupe de vrst

104

- rata de mortalitate corectat, pe grupe de vrst - se fac corecii n funcie de
distribuia pe grupe de vrst.
v Rata de fatalitate a bolii: rata de deces ntr-o populaie avnd boala, ntr-un interval
de timp.
vi Rata de atac: pentru boli cu durat scurt, cnd durata observaiei acoper ntreaga
epidemie, proporia celor ce dezvolt boala din populaia cu risc (= CI).

b. Parametrii n analiza riscului
i - Indicele odd (suportul succes / eec): este probabilitaqtea de apariie
a bolii la cei expui fa de probabilitatea de a nu aprea boala la cei expui. Cu notaiile
din tabelul II.21 putem scrie:
ODD (E+) = N11 / N12 (II.7.6)
ODD (E -) = N21 / N22
adic n cte cazuri prezena factorului de risc (E+ = subieci expui) are succes n
declanarea bolii (N11) fa de situaiile de eec (N12); similar raportul succes / eec
pentru condiia absenei factorului de risc (E - = neexpui).
ii - Raportul odds (odds ratio): este raportul indicelui odd pentru grupul
expus fa de cel neexpus la factorul de risc:

12 21
22 11
22 / 21
12 / 11
) (
) (
N N
N N
N N
N N
E ODD
E ODD
OR
(II.7.7)
iii - Riscul relativ: este probabilitatea de apariie a afeciunii la cei expui fa
de probabilitatea de apariie a afeciunii la la cei neexpui la factorul de risc.

2 / 21
1 / 11
L N
L N
RR
(II.7.8)
Dac riscul relativ are valoarea RR 1 putem spune c factorul analizat nu reprezint
un factor de risc, probabilitatea de apariie a afeciunii fiind la fel de mare i la lotul
neexpus factorului de risc. Valori RR 1 dau o semnificaie aciunii factorului de risc.
Pentru a estima intervalul de ncredere n care parametrul RR poate fluctua ntmpltor
se folosesc limitele Cornfield pentru p = 95% probabilitate ca ipoteza de zero s fie
adevrat.
iv - Riscul atributabil: este diferena ntre probabilitatea de apariie a bolii la
cei expui i cea de apariie a bolii la cei neexpui. Formula este:
AR = N11 / L1 - N21 / L2 (II.7.9)
n funcia de tipul studiu efectuat se mai pot defini i ali parametri pe care nu-i
mai prezentm aici.
E. Analiza multistratificat
Deseori indivizii unei populaii sunt supui la aciunea simultan a mai multor
factori de risc. Depistarea contribuiei fiecrui factor de risc la efectul final se realizeaz
prin analiza multistratificat. Se alctuiesc tabele de forma celui din tabelul II.22.a.

105

Tabel II.22.a. Prezentarea datelor ntr-un studiu cu doi factori de risc (fumat, cafea)
Lot: boal coronarian + Lot: boal coronarian -
Subiect Fumat Cafea
(mg / zi)
Subiect Fumat Cafea -
(mg / zi)
1 DA 1100
2 DA 800
3 NU 200
..... ..... .....
1 DA 1000
2 NU 300
3 NU 100
..... ...... ......
12 8/4
X 716
12 3/9 X 400

O analiz superficial incomplet ne-ar putea induce ideea unui risc crescut al
consumului de cafea asupra declansrii afeciunilor coronariene, conform centralizrii
din tabelul II.22.b.

Tabel II.22.b. Influena consumului de cafea n bolile coronariene
Boal Consum zilnic mediu (mg)
B +
B -
716
400

O stratificare nct s se includ i fumatul, va scoate n eviden rolul
dominant al acestuia (tabel II.22.c.).

Tabel II.22.c. Tabel stratificat: consumul mediu de cafea / zi la fumtori i nefumtori, respectiv
coronarieni i necoronarieni
Fumat B + B - Medie
DA
NU
950 (n = 8)
250 (n = 9)
1000 (n = 3)
200 (n = 9)
963 (n = 11)
216 (n = 13)
Medie 716 (n = 12) 400 (n = 12) 558 (n = 24)

Analizele multistratificate sunt destul de dificile; uneori este greu a discerne
ntre factorul cauzal i ali factori asociai. Exist nite criterii definite de Hill care ar
facilita aceast operaiune.
7.2. ANALIZA SUPRAVIEUIRII
Un succes indiscutabil al medicinei moderne l prezint rezultatele
tratamentelor n cazurile cu diagnostice severe. Depistarea precoce a afeciunilor grave
i lrgirea paletei i eficienei tratamentelor au generart extinderea sensibil a speranei
de via dup diagnosticarea bolii. Estimarea eficienei unor terapii i compararea
tratamentelor se realizeaz prin studii epidemiologice. Dei pot fi retrospective,
majoritatea studiilor sunt n general prospective, o serie de date necesare pentru analiza
statistic nefiind disponibile pentru studiile retrospective. Capitolul din epidemiologie
referitor la aceste studii, numit analiza supravieuirii i-a extins sfera de aplicabilitate
i asupra altor tipuri de studii n care se urmrete pe o durat mare de timp (luni, ani)
rezulatatul unei terapii.
Studiile de acest gen au fost iniial solicitate de companiile de asigurri,
ulterior devenind un capitol bine definit n epidemiologie.

106

Metodologia acestor studii a fost standardizat, OMS publicnd n 1974
recomandrile UICC (Union Internationale Contre le Cancer): regulile TNM (tumori,
noduli, metastaze).
A. Caracteristicile studiilor de lung durat
Studiile recomandate sunt de tip cohort prospectiv, ns n cazul unor
perioade ndelungate (5-20 ani) apar o serie de factori de care trebuie s inem seama:
- o serie de indivizi din lotul inial pot fi pierdui din eviden (i mut
domiciliul, intervin alte tratamente etc.); aceste date lips pot s reprezinte uneori un
procent nsemnat din ansamblul de date; pentru prelucrri aceste cazuri nu se
abandoneaz ci se iau n considerare, dar numai pentru intervalul de timp pentru care
situaia individului este clar cunoscut;
- persoanele din lot triesc n condiii diferite astfel nct aceast heterogenitate
face mai greu vizibil efectul datorat numai factorului de risc;
- foarte des din ansamblul condiiilor putem desprinde unele care pot fi de
asemenea considerate factor de risc, ce acioneaz sinergic sau competitiv cu factorul
urmrit de noi.
B. Prezentarea i prelucrarea datelor
a. Tabele de via
Metodologia OMS sugereaz colectarea datelor pentru prelucrare sub forma
unor tabele de via (life tables):
Exemplu II.22. Datele sunt redate n tabelul II.23. Iat descrierea coloanelor:
1. Anul de observaie (i i+1): se calculeaz numrul de ani de la data nceperii trata-
mentului; de ex: un pacient care a fost prima dat tratat n 7 aprilie 1947 i a decedat n
24 noiembrie 1950 va fi considerat decedat n intervalul 3-4.
2. n via la nceputul intervalului (l
i
): primul numr (1000) indic numrul total de
pacieni studiai; nu nseamn c toi au nceput tratamentul n aceeai zi; ei sunt luai
n eviden pe msur ce sunt depistai i ncep tratamentul; n tabel intervalele se
msoar pentru oricare pacient pornind de la ziua primului tratament. Numrul de
indivizi cunoscui a fi n via la nceputul fiecrui interval (nceput de nou an de la
luarea n eviden) se calculeaz din precedentul scznd d
i
, u
i
i w
i
, deci:
l l d u w
i i i i i 1
( ) (II.7.9.a)
3. Cei decedai (d
i
) datorit bolii n intervalul i i + 1.
4. Pierdui din urmrire (u
i
): aici se includ cei a cror situaie, la data ncheierii studiului
(31 decembrie 1960) nu este cunoscut, ns pentru care este cunoscut starea pn la
un moment dat; de exemplu: un pacient care a nceput tratamentul n 20 Septembrie
1946 i era n via pe 6 iunie 1949, dup care nu se mai tie nimic, va fi considerat
pierdut n intervalul 2-3. Aici sunt de obicei inclui i cei decedai din alte cauze.
5. Scoi din urmrire fiind n via la sfritul perioadei analizate (w
i
). n exemplul
nostru perioada analizat se ncheia la 31 decembrie 1960; un pacient care a nceput
tratamentul n 5 mai 1954 i este n via la 31 decembrie 1960 va fi scos din calcul n
intervalul 6-7 (a supravieuit 6 ani i n-a fost urmrit mai mult).
6. Numrul efectiv al celor expui la riscul de deces (n
i
). Pacienii pierdui din urmrire
(u
i
) i cei scoi din urmrire (w
i
) sunt considerai ca fiind distribuii uniform de-a lungul
ntregului an, ei pot fi considerai ca expui timp de jumtate de interval; deci:
n l w
i i i i
( ) / 2 (II.7.9.b)
S-a presupus c probabilitatea de supravieuire pentru cei pierdui sau scoi din urmrire
este aceeai ca i pentru cei rmai n eviden.

107

7. Rata anual de mortalitate (q
i
) reprezint proporia celor decedai n fiecare an
calculat ca probabilitate de deces:

i
n d q
i i
/ (II.7.9.c)
8. Rata anual de supravieuire (p
i
) reprezint probabilitatea de a supravieui n
intervalul i i+1 (calculat pentru cei n viat la nceputul intervalului):
p q
i i
1 (II.7.9.d)
9. Rata cumulativ de supravieuire de la nceput pn la inclusiv intervalul i i + 1 se
calculeaz cu:

i
j
j i i
p p p p p
1
.....
2 1
(II.7.9.e)

Tabelul II.23. Prezentarea datelor pentru prelucrarea prin metoda actuarial sub form de tabele de via.
Exemplul se refer la un studiu la pacieni care au nceput tratamentul ntre 1946-1955 i urmrii pn la 31
decembrie 1960. (* din [UICC - TNM ])
1 Anul de
observaie
i - i+i 0-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11
2 n via la
nceputul
intervalului
l
i
1000 816 642 558 504 460 382 308 259 212 165
3 Decedai n
interval
d
i
180

170 80 50 40 28 26 7 7 11
4 Pierdui din
urmrire n
interval
u
i
4 4 4 4 4 6 5 4 3 3
5 n via la
sfritul
intervalului i
scoi din
urmrire

w
i

-

-

-

-

-

44

43

38

37

33

165

6 Numrul
efectiv de
expui la
riscul de
deces

n
i

998

814

640

536

502

435

358

287

239

194

7 Rata anual
de mortalitate
q
i
0.180 0.209 0.125 0.090 0.010 0.064 0.073 0.024 0.029 0.057
8 Rata anual
de
supravieuire
p
i
=
1-q
i

0.820 0.791 0.875 0.910 0.920 0.936 0.927 0.976 0.971 0.943
9 Rata
cumulativ de
supravieuire
pn la
sfritul
intervalului

P
i
=
p
1
.p
2
.
p
i

0.820

0.649

0.568

0.517

0.476

0.446

0.413

0.403

0.391

0.369

Curbele de supravieuire se ridic pe baza acestor valori p
i
.
Aranjarea datelor sub forma unui tabel de acest tip este foarte convenabil n
studiile de acest gen.

b. Metoda actuarial
Faptul ca practic nu dispunem de un lot pentru a ncepe un studiu de tip
cohort-prospectiv n analiza supravieuirii impune colectarea datelor pe msur ce
apar noile cazuri (vezi fig. II.29.). Pentru efectuarea calculelor vom considera o nou
origine a timpului - n exemplul anterior a fost data primului tratament; toate intervalele
se calculeaz n funcie de acest moment considerat 0 pentru fiecare individ. Metoda de
calcul n funcie de aceast origine se numete metod actuarial.
Pentru rata cumulativ a supravieuirii se poate calcula i eroarea standard
conform relaiei lui Greenwood:

108

n
i
p
i i
i
n
p n
q
p S
1
(II.7.10)
De exemplu, pentru n = 10 ani de supravieuire

017 , 0
943 , 0 194
057 , 0
......
791 , 0 814
209 , 0
820 , 0 998
180 , 0
369 , 0
p
S

Deci cu nivel de ncredere de 95%, intervalul pentru probabilitatea de a supravieui 10
ani va fi:
p
10
(0,369 2*0,017 ; 0,369 + 2*0,017) = (33,5% ; 40,3%)
Tabelele de via construite dup modelul tabelului II.23 sunt adaptate pentru metoda
actuarial care este mai exact dect aa numita metod direct n care apar doar
rapoartele privind supraviuirea pe un interval larg (5 ani, 10 ani).

c. Corectarea ratelor de supravieuire
Concluziile pentru interpretarea ratelor de supravieuire se obin prin
comparaie, fie ntre diferite grupe de vrst, fie cu rata general de supravieuire. n
calcule pentru perioade ndelungate sau cuprinznd i pacieni mai n vrst este
recomandabil a se face corecii n raport cu rata general de supravieuire.
Dac notm cu P
0
rata general de supravieuire n populaia general (grupele
de vrst din care este extras lotul studiat), calculat n funcie de decesele din toate
cauzele, atunci rata corectat (ntr-o prim aproximaie) pentru supravieuirea pe n ani
este:

0
/
*
p p p
n
n
(II.7.11)
Valoarea lui p
0
se poate obine pentru orice ar din tabele generale de mortalitate.

d. Curbe Kaplan-Mayer
Cea mai sugestiv form de prezentare a rezultatelor unui studiu de
supravieuire l constituie reprezentarea grafic, n funcie de timp a ratei cumulate de
supravieuire p
i
= f(i) sau a ratei cumulate de mortalitate q
i
= 1 - p
i
= g(i), cunoscute
sub numele de curbe Kaplan-Mayer. n figura II.30 sunt redate aceste curbe pentru
exemplul din tabelul II.23.

e. Teste
Pentru compararea a dou rate de supravieuire se pot folosi diverse teste
statistice, (fie cele corespunztoare comparrii proporiilor, fie testele t sau Wilcoxon).

Figura II.30. Curbele Kaplan-Mayer

109

C. Aplicaii
Analizele de tip actuarial, elaborate iniial pentru companiile de asigurri au
fost extinse pentru numeroase alte situaii ce implic urmrirea unei terapii: prelucrri
dentare, implant cardiac, transplant de rinichi, diverse alte tipuri de protezare, etc.

n ultimul timp s-au eleborat i modele teoretice utilizate pentru simularea
fenomenelor reale, n aceast direcie fiind cunoscut modelul lui Cox care folosete o
funcie hazard pentru descrierea matematic a ratei de mortalitate, sau modelul
Cormack - Mc Kendrik pentru rspndirea epidemiilor.
BIBLIOGRAFIE SI REFERINTE
DC Altman. Practical statistics for medical research. Chapman&Hall/CRC, Boca
Raton, 1999
P Armitage, G Berry. Statistical methods in medical research (2nd Ed.). Blackwell
Scientific Publications, Oxford, 1987
RG Knapp, M Clinton Miller: Clinical epidemiology and biostatistics. Williams &
Wilkins, Baltimore, 1992
DJ Sheskin. Handbook of parametric and nonparametric statistical procedures (3rd
Ed.). Chapman & Hall/CRC, Boca Raton, 2004
Tabele de distribuii statistice: http://www.statsoft.com/textbook/sttable.html
Wikipedia. Teste statistice neparametrice (inclusiv tabele cu valorile critice):
http://en.wikipedia.org/wiki/Nonparametric_test


110


111

Partea a III-a
S SE EM MN NA AL LE E I I I IM MA AG GI IN NI I
B BI IO O- -M ME ED DI IC CA AL LE E


112


113

1. PRELUCRAREA SEMNALELOR BIOLOGICE
INTRODUCERE
Unul dintre capitolele cele mai bine dezvoltate ale informaticii medicale l
constituie cel referitor la prelucrarea semnalelor biologice. Funcionarea oricrui organism
viu este nsoit de o permanent modificare n timp a unor parametri (bio)fizici i
(bio)chimici. Determinarea i nregistrarea acestor parametrii a condus la rezultate
tiinifice importante, fiind elaborate o serie de metode de investigare bazate pe culegerea
lor.
Dezvoltarea deosebit a acestor metode este n bun msur i datorat finanrii
unor astfel de cercetri de ctre firmele productoare de aparatur medical. Astzi nici nu
se mai produc electrocardiografe sau electroencefalografe fr modelul de prelucrare
computerizat. n acest capitol vom trece n revist principalele aspecte referitoare la
prelucrarea semnalelor biologice, pornind de la achiziia i filtrarea semnalelor i analiznd
apoi principalele tipuri de prelucrri ale semnalelor quasi-periodice (ECG) i neperiodice
(EEG).

1.1. SEMNALE BIOLOGICE
1.1.1. Definiie. Fazele prelucrrii unui biosemnal
Dup cum am menionat mai sus, investigaia medical modern cuprinde
urmrirea evoluiei n timp a unor parametri (bio)fizici sau bio(chimici). Vom numi semnal
biologic evoluia n timp a unei mrimi biologice.
Culese n forma lor natural, semnalele biologice sunt nsoite de o serie de
zgomote pe care dorim s le nlturm, iar din semnalul astfel curat dorim s extragem
informaia coninut de semnal reprezentat prin parametrii relevani pentru a caracteriza
procesul generator al semnalului i care s fie utili n decizia medical. Putem distinge
astfel principalelele faze ale prelucrrii unui semnal biologic (fig. III.1):
- culegerea (achiziia) semnalului
- prelucrarea (transformarea, reducerea) semnalului
- calculul parametrilor caracteristici
- clasificarea sau interpretarea semnalului, cu scop diagnostic.
Primele dou faze se refer la "sintaxa" semnalului, adic depistarea
componentelor elementare ale semnalului i urmrirea succesiunii acestora iar ultimele
dou se refer la "semantica" semnalului, adic semnificaia acestor componente
(individual sau grupate).

1.1.2. Clasificarea semnalelor biologice
Sunt posibile mai multe clasificri ale semnalelor biologice, din diferite puncte de
vedere.
a) Dup natura semnalului:
- biosemnale electrice, de ex:
= semnalul electrocardiografic ECG, datorat activitii electrice a inimii

114

= semnalul electroencefalografic EEG, datorat manifestrilor electrice
ale activitii creierului
= semnalul electromiografic EMG, datorat fenomenelor electrice ce
nsoesc activitatea muscular etc.
- biosemnale neelectrice de ex.:
= fonocardiograma, nregistrat din manifestrile sonore ce nsoesc
ciclul cardiac
= semnalul Doppler, reprezentat de variaia frecvenei ultrasunetelor
reflectate de suprafee n micare etc.
n principiu, orice mrime biologic a crei evoluie n timp prezint importan
(temperatur, pH, concentraia unor ioni etc.) poate fi considerat semnal biologic i poate
fi suspus unor metode de prelucrare cu ajutorul calculatoarelor.
Figura. III. 1. Fazele prelucrrii semnalelor biologice. Cercurile reprezint "forma" n care
este prezentat semnalul ntr-o anumit faz. Dreptunghiurile reprezint fazele de prelucrare
(tipuri de programe)

b) Dup evoluia n timp
Semnale deterministe (comportarea semnalului la orice moment poate fi
predeterminat)
semnale periodice: semnale sinusoidale armonice (fig. III 2.a)
semnale cvasiperiodice: (de exemplu ECG) n care o succesiune de evenimente
se repet cu o anumit periodicitate (fig.III 2.b)
semnale tranzitorii: (de exemplu potenialul de aciune celular) care apare
numai la stimulare; forma este aceeai ori de cte ori repetm stimularea
Semnale stochastice (sau aleatoare): - valoarea semnalului la un moment dat nu
poate fi determinat din valorile n momentele anterioare.
semnale staionare: (de exemplu EEG) n care anumii parametri (de exemplu
media) rmn constani (fig.III. 2.d)

115

semnale nestaionare: (de exemplu EMG) n care i parametrii statistici depind de
timp (fig. III. 2.e).
Figura III.2. Clasificarea semnalelor biologice: deterministe: a, b, c, i stochastice: d, e.
Subdiviziuni: a: semnal periodic (und sinusoidal); b: semnal cvasiperiodic (ECG); c: semnal
transzitoriu (potenial de aciune); d: semnal aleator staionar (fusuri alfa n EEG); e: semnal aleator
nestaionar (EEG). [Van Bemmel&Musen 1997]

O categorie aparte de semnale o constituie aa-numitele "trenuri de impulsuri"
(procese punctiforme - "point processes") n care nu ne intereseaz forma semnalului ci
numai apariia sau nu a unui impuls (exemplu: apariia undelor R n semnalul ECG sau
impulsurile nervoase pe axoni); aceste semnale se descriu prin aa-numitele impulsuri
Dirac - funcii care au valoarea zero peste tot, exceptnd intervalele foarte scurte n care
apar evenimentele.

1.1.3. Electrozi de culegere. Traductori
Semnalele de natur electric (ECG, EEG, EMG, etc.) reprezentnd
manifestri electrice ale fenomenelor studiate (ale inimii n EEG, ale creierului n EEG,
ale muchiului n EMG) sunt culese cu ajutorul unor electrozi pui n contact cu esutul
analizat sau cel mai adesea pe piele n regiuni n care se proiecteaz aceste activiti
electrice. De obicei aceti electrozi sunt confecionai dintr-un metal impolarizabil (Ag),
acoperii cu un tifon umezit cu soluie salin sau gel conductor, pentru a asigura un bun
contact electric. Cel mai adesea aceti electrozi de culegere sunt meninui n poziia de
contact cu ajutorul unor benzi de cauciuc. Este bine a se acorda atenie fixrii acestor
electrozi i asigurarea unui contact bun pentru a evita o ntreag gam de artefacte
posibile. Asistentele experimentate depisteaz rapid electrozii plasai incorect. Semnalul
electric cules de aceti electrozi este filtrat i amplificat fiind n continuare supus
operaiilor de prelucrare.
n cazul semnalelor care nu sunt de natur electric ci de alt natur (mecanic:
contracii, chimic: concentraii etc.), se folosesc dispozitive numite traductori care
transform semnalul original n semnal electric.
Actualmente s-au realizat traductori care pot transforma n semnal electric
aproape orice tip de mrime: presiune, for, temperatur, deplasare, pH, concentraia
unei substane (n ultimul timp s-au realizat "biosenzori" pentru unele molecule
organice) etc. Exist n momentul de fa o adevrat curs pentru realizarea unei
palete largi de biosenzori, pe de o parte pentru comoditatea de lucru comparativ cu
metodele chimice (rspuns rapid, fr manevre suplimentare, suficient de precis), pe de
alt parte pentru posibilitatea urmririi n timp a parametrilor pentru o perioad mai
ndelungat de timp.
Semnalele bioelectrice au n general valori foarte mici (milivoli, chiar
microvoli) i de aceea trebuiesc amplificate nainte de nceperea prelucrrii.

116

1.2. ACHIZIIA BIOSEMNALELOR
1.2.1. Sisteme de culegere a biosemnalelor
Dup cum am menionat mai sus, semnalele biologice pot fi culese n dou
moduri:
a) n cazul n care biosemnalul nu este de natur electric se folosec traductori
care transform semnalul original n semnal electric.
b) n cazul n care biosemnalul este electric se folosec pentru culegere nite
electrozi de culegere care pot fi:
- electrozi superficiali (de exemplu n ECG, EEG), care se aplic la suprafaa
tegumentelor; pentru a asigura o bun conducere electric suprafeele unde se aplic
electrozii (de obicei argintai, acoperii cu tifon) se umezesc cu soluie salin sau gel salin.
- electrozi-ac, de exemplu n EMG, n cadrul metodelor invazive.

1.2.2. Conversia analog-numeric
Semnalul cules i amplificat se prezint uzual ca o succesiune continu n timp a
unor diferene de potenial, fiind deci un semnal analogic. Pentru a putea prelucra un
semnal cu ajutorul unui calculator numeric este necesar a transforma semnalul analogic
(continuu), ntr-o succesiune de valori numerice, care reprezint un semnal numeric (sau
digital). Transformarea se face prin "citirea" valorilor semnalului real (continuu) la anumite
intervale de timp.
Definiie. Transformarea unui semnal analogic (continuu) n semnal numeric
discret (digital) se numete conversie analog-numeric (digital).
Deci descrierea numeric a unui semnal este o descriere discontinu (discret).
Dac intervalul de timp ntre dou "citiri" succesive este suficient de scurt, descrierea este
fidel. Realizarea conversiei analog-numerice cuprinde dou elemente fundamentale:
eantionarea i cuantizarea. ncadrarea convertorului analog-numeric (CAN) n schema
de achiziie a unui semnal este prezent n fig. III.3.

Figura III.3. Plasarea convertorului analog numeric CAN n sistemul de achiziie a semnalului
EEG ntre pacientul P i calculatorul K. Sistemul de conexiune a electrozilor E este legat de
electroencefalograf EEG. Semnalul analogic exprimat de amplitudinea A( V) funcie de
timp este "digitizat", devenind semnal numeric exprimat pe n bii. Dac s-ar folosi filtre,
atunci filtrul analogic FA s-ar plasa nainte de CAN iar cel numeric FN dup CAN

a) Eantionarea semnalelor
Operaia de discretizare a axei orizontale (abscisa) a unui semnal se numete
eantionare. Cum pe abscis noi reprezentm timpul, putem spune c eantionarea
reprezint "citirea" semnalului la intervale discrete de timp. Putem astfel defini dou
mrimi caracteristice ale eantionrii: perioada de eantionare i frecvena de
eantionare.

117

Perioada de eantionare a unui semnal reprezint intervalul de timp ntre dou
citiri succesive ale valorilor semnalului. Numrul de citiri ale semnalului n unitatea de
timp se numete frecven de eantionare.

Dac notm perioada de eantionare cu T
e
i frecvena de eantionare cu f
e
, atunci:
f
e
= 1 /T
e
sau T
e
= 1/f
e
(III.1)

Cnd perioada de eantionare se exprim n secunde (s) obinem frecvena de
eantionare n herzi (Hz).

Figura III.4. Conversia analog-numerica: eantionarea i cuantizarea, cu linie continu este
reprezentat semnalul real; cu linie intrerupt este reprezentat semnalul eantionat.
Cunoatem doar valorile msurate n punctele de citire (la intervalele de timp date de
perioada de eantionare Te). Distana q dintre dou trepte de amplitudine determin
precizia citirii valorilor
Un exemplu de eantionare greit a semnalului este prezentat n fig. III.5. stnga.
Se observ c perioada de eantionare aleas este prea mare; avem o variaie att de rapid
a semnalului nct ea va trece neobservat. De aceea, pentru a urmri semnalul real cu
fidelitate trebuie s alegem o perioad de eantionare foarte scurt, deci o frecven de
eantionare ridicat. Dac notm frecvena maxim a semnalului (numit i frecven
Nyquist) cu f
max
atunci frecvena de eantionare trebuie s respecte condiia (III.2):

f
e
2*f
max
(III.2)

Aceast condiie se mai numete "teorema de eantionare" sau teorema Shannon-Nyquist,
care se enun astfel:
Frecvena de eantionare trebuie s fie cel puin dubl fa de frecvena maxim
a semnalului.
n figura III.5.dreapta s-a crescut frecvena de eantionare i nu se mai pierd
detaliile privind variaiile semnalului.


118

Figura III.5. Ilustrarea teoremei de eantionare

Am fi tentai s credem c este foarte bine s lum o frecven de eantionare ct
mai mare, ns aceast cretere duce la achiziionarea unui numr ridicat de valori numerice
pentru acelai interval de timp, determinnd o cretere substanial a timpului de prelucrare
(fr a obine totdeauna o cretere semnificativ a calitii rezultatelor). De aceea frecvena
de eantionare se alege la dublul frecvenei Nquist sau uor peste aceast valoare.
Uzual se folosesc frecvene de eantionare de 60-100 Hz (EEG), 250-500 Hz
(ECG), pn la 1-10 kHz (EMG; poteniale evocate).

b) Cuantizarea semnalelor
Intervalul de valori cuprins ntre valorile extreme posibile (minim i maxim) ale
semnalului se mparte ntr-un numr N de trepte de amplitudine, astfel nct practic se
citesc valorile corespunztoare treptelor date de q (fig III.4). Cu ct numrul de trepte
este mai mare, cu att precizia de citire este mai bun.
Valorile citite se exprim n sistem binar. De aceea, cel mai adesea numrul
treptelor de amplitudine este o putere a lui 2. De exemplu, pentru 256 trepte, o valoare citit
este exprimat pe 8 bii, cci 256 = 2
8
. Se obinuiete s se caracterizeze un convertor
analog-numeric prin numrul de bii prin care se reprezint o valoare citit. n majoritatea
tipurilor de prelucrri ntlnite la analiza semnalelor biologice se folosete o reprezentare pe
12 bii, (uneori sunt suficienti 8 sau 10 bii). Mai rar (poteniale evocate, EMG) se folosesc
convertoare pe 16 bii.
Relaia ntre N - numrul treptelor de amplitudine (cuantizare) i n- numrul de
bii prin care se exprim valoarea citit de CAN este:

N = 2
n
(III.3)

Putem astfel exprima sensibilitatea de citire a CAN, adic variaia potenialului de
intrare care corespunde unei modificri de 1 bit a valorii citite. Aceast sensibilitate se mai
numete rezoluie de amplitudine sau precizie de citire sau cuant de citire i are valoarea:

q
2
min max min max
n
V V
N
V V
V
(III.4)
unde:

V
max
, V
min
sunt valorile extreme posibile ale semnalului
N - numrul de trepte de amplitudine (cuantizare)
n - numrul de bii ai CAN.


119

1.2.3. Multiplexarea
De obicei nregistrarea biosemnalelor se realizeaz folosind mai muli electrozi de
culegere care se aranjeaz n diferite moduri numite derivaii, cel mai adesea standardizate.
Fiecare electrod culege semnalul pentru un canal. Echipamentele de conversie analog-
numeric permit nregistrarea pe mai multe canale folosind un singur convertor care este
comutat pe rnd la toate canalele cu ajutorul unui dispozitiv numit "multiplexor". n cadrul
programelor trebuie s se in cont de ntrzierea dintre citirile efectuate pe diferite canale.
Exist i multiplexoare care citesc valorile pe toate canalele aproape n acelai moment (cu
o frecven de eantionare foarte ridicat); dup o pauz urmeaz o nou "salv" de citiri.
1.3. SPECTRE DE FRECVEN I FILTRARE
1.3.1. Reprezentarea semnalelor
Semnalele se pot reprezenta ca o funcie de timp [ampl.= f(timp) - evoluia n
timp a unei mrimi] sau ca o funcie de frecven [ampl. = f(frecvena) sau putere =
f(frecvena) - punnd n eviden compoziia semnalului]. Reprezentrile n funcie de
frecven se numesc spectre de frecven. Figura III.6 arat spectrele de frecven ale
unor semnale periodice uor de identificat (A, B i C) i a unui semnal neperiodic (D).
1.3.2. FILTRAREA BIOSEMNALELOR

Zgomote
Semnalele bioelectrice au n general valori foarte mici iar aciunea de culegere a
lor este nsoit de culegerea unor zgomote care perturb (uneori foarte puternic) semnalul.
Pentru a mbunti raportul ntre semnalul util i zgomot, odat cu amplificarea semnalului
se realizeaz i o filtrare pentru eliminarea zgomotelor. Pentru a putea nltura n mod
specific zgomotele (parial sau total) s urmrim o clasificare a lor.

Clasificarea zgomotelor se poate face din mai multe puncte de vedere.
a) Dup evoluie:
- zgomote (cavsi)periodice, numite i zgomote "roz", n care sunt predominante
anumite frecvene,
- zgomote neperiodice, numite i zgomote "albe" n care frecvenele componente
au aceeai probabilitate.
b) Dup tendin:
- zgomote sistematice - de exemplu cele datorate unui electrod plasat
necorespunztor,
- zgomote ntmpltoare.
c) Dup origine:
- la culegere - datorate amplasrii nepotrivite a electrozilor sau unor contacte
electrice nesatisfctoare
- la amplificare - majoritatea amplificatoarelor amplific neuniform diferite
domenii de frecven; ponderea acestor zgomote este destul de redus, aparatele moderne
avnd amplificatoare de bun calitate,
- artefacte "bio" - se ntmpl uneori ca, pe lng semnalul dorit a se nregistra, s
fie culese i alte semnale (de exemplu semnal electrocardiografic suprapus peste EEG sau
artefactele de respiraie n nregistrarea ECG).


120

Figura III.6. Spectrele diferitelor tipuri de semnale: a) Un semnal sinusoidal cu frecvena f =
2Hz i spectrul su n A. b) Un semnal de 4,5 Hz cu amplitudine mai mic i spectrul su n B.
c) Semnalul rezultat din suprapunerea semnalelor din a) i b); spectrul su n C cuprinde dou
linii (cu linie ntrerupt este prezentat spectrul cnd se prelucreaz un tronson mai scurt din
semnal). d) Pentru un semnal neperiodic, spectrul (D) este continuu. [Popescu 1988]
Tipuri de filtre
a) Dup regiunea admis (figura III.7)
- filtru "trece sus" (fig.III.7.a) care las s treac toate frecvenele f f
o

- filtru "trece jos" (fig. III.7.b) care las s treac numai frecvenele f f
o

- filtru "trece band" (fig. III.7.c) care las s treac frecvenele cuprinse ntre
dou limite: f
i
f f
s

- filtru "oprete band" (fig. III.7.d) are frecvenele f f
i
i f f
s

- filtru "ac" de tip "oprete" (sau "trece") n care regiunea dintre cele dou limite f
i

- f
s
este foarte ngust; se utilizeaz n special pentru eliminarea perturbaiilor produse de
posturile locale de radio;
b) filtre analogice - filtre numerice: cele analogice sunt utilizate ca dispozitive
fizice nainte de intrarea semnalului n convertorul analog-digital, n timp ce filtrele
numerice se aplic semnalului deja digitizat (fig. III.3 arat plasarea lor);
c) filtre fr memorie - cu memorie: cele fr memorie au ca secven de ieire o
sum ponderat a unei perioade finite de intrare si au avantajul unei ieiri identice pentru
aceeai intrare; filtrele cu memorie in cont de un numr de ieiri anterioare i au avantajul
de a folosi un numr redus de coeficieni pentru ieire, ns necesit o iniializare;
d) filtre nerecursive - recursive: n cazul filtrelor digitale calculul coeficienilor pe
cale recursiv este redus;


121

Figura III.7. Tipuri de filtre clasificare dupa regiunea admis: anumite frecvene sunt
lsate s treac, pe cnd altele sunt nlturate

e) filtre generale - dedicate: cunoscnd caracteristicile semnalului, raportul
semnal-zgomot este mbuntit n filtrele construite special pentru domeniul de frecvene
i amplitudini dorit, precum i pentru tipul de unde; deoarece n multe semnale biologice
apar att fenomene mai lente, chiar filtrele special construite pentru un anumit tip de
semnal pstreaz un caracter mai general;
f) filtre invariante n timp - filtre adaptive: construcia unui filtru ale crui
caracteristici frecveniale s se adapteze semnalului necesit un semnal de referin, care n
unele situaii poate fi generat - fiind astfel posibil s se suprime unele interferene nedorite
n semnal;
g) filtre liniare - neliniare: se definesc n funcie de relaia diferitelor componente
n structura spectral a semnalului de ieire, funcie de cea de intrare.
1.4. PRELUCRAREA SEMNALELOR CVASI PERIODICE.
SEMNALUL ELECTROCARDIOGRAFIC
Semnalele cvasi-periodice, dintre care semnalul electrocardiografic (ECG) este
cel mai reprezentativ, necesit o prelucrare n care se pornete de la detecia perioadei,
urmat de detecia unor evenimente n cadrul perioadei i caracterizarea parametric a
undelor i/sau intervalelor.
1.4.1. Semnalul ECG
Semnalul ECG reprezint un semnal electric de mic amplitudine ce reflect la
nivel superficial activitatea electric a inimii. Inima este un organ ce reprezint un
automatism funcional. Declanarea unei revoluii cardiace ncepe printr-o depolarizare a
nodului sino-atrial care se propag la nodul atrioventricular. Aceast depolarizare este
reprezentat n traseul ECG (vezi figura III.8) prin unda P. Unda de depolarizare se propag
genernd depolarizarea ventricular reprezentat de complexul QRS, urmat de repolarizare
reprezentat de unda T. n cazuri patologice se observ diverse modificri, prelucrarea cu
calculatorul avnd scopul de a crete sensibilitatea sesizrii acestor modificri i a realiza
clasificarea lor.


122

Figura III.8. Traseul ECG normal
1.4.2. Achiziia semnalului ECG
Ca pentru orice semnal, conversia analog-digital, conform teoremei de
eantionare a lui Shannon, preia semnalul filtrat (n general filtre "trece" de band 0,5-40
Hz), apoi l eantioneaz (actualmente se folosete f
e
=250 - 500 Hz) i l cuantizeaz pe 8,
10 sau 12 bii.
Rezultatele obinute cu o frecven de eantionare constant sunt destul de bune,
ns, datorit faptului c ritmul cardiac nu este constant, se poate ntrebuina i o frecven
de eantionare adaptabil la ritm, astfel ca fiecare btaie a inimii s fie mprit n acelai
numr de puncte.
Dezvoltarea unor aplicaii care s sesizeze toate abaterile posibile ale semnalului
de la normal a concentrat nsemnate eforturi, ilustrate ntr-o bogat literatur consacrat
acestei teme:
- programe pentru interpretarea ECG n cele 12 derivaii
- programe pentru vectocardiograme
- programe pentru ECG i VCG
- pograme pentru ECG i VCG n efort.
1.4.3. Detecia perioadei
n cadrul semnalelor (cvasi-)periodice este esenial detecia perioadei -
intervalul de timp dup care se repet acelai ciclu de evenimente.
Din punct de vedere funcional perioada este definit ca intervalul ntre
nceputul cascadei de evenimente care debuteaz cu depolarizarea nodului sino-atrial
(nceputul undei P) i nceputul urmtorului ciclu, adic intervalul ntre dou unde P
(fig. III.9). Unda P, avnd amplitudine mic (0,1 - 0,2 mV), este detectat destul de greu
de catre algoritmii utilizati n aplicaiile de prelucrare automat. De aceea aceste
programe utilizeaz ca repere unde de amplitudini mari, de exemplu unda R (cca 1mV).
Se definete astfel perioada detectabil R-R.

123

Metoda uzual de detecie se numete "metoda interseciei de nivel". Se alege
un nivel de referin (de ex. 0.9 mV) i se compar fiecare punct cu aceast valoare; se
rein indicele punctului la o prim traversare a nivelului i cel al traversrii urmtoare.
Cunoscnd frecvena de eantionare i cei doi indici se calculeaz imediat intervalul de
timp ntre dou bti.

Figura III.9. Detecia perioadei prin metoda interseciei de nivel

Nivelul de intersecie trebuie ales corespunztor. Pentru a fi ct mai aproape de
vrful undei R s-ar recomanda o valoare ridicat, ns exist riscul de a pierde bti,
deoarece nu toate vrfurile R au aceeai amplitudine (nivelul H n fig. III.9). n plus, s
nu uitm c este vorba de un semnal eantionat i rareori citim chiar valoarea de vrf.
Pe de alt parte, la coborrea nivelului de intersecie se reduce (pn la anulare) riscul
de a pierde bti cardiace, dar apare riscul interseciei cu unda T care ajunge uneori la
aproape jumtate din amplitudinea undei R i va fi deci interpretat ca o nou btaie
(nivelul L n fig. III.9). De obicei se estimeaz amplitudinea a cca 10 vrfuri R
succesive, i se ia ca nivel de intersecie o valoare de 75-80% din media acestor vrfuri
(nivelul M n fig. III.9).
n programele actuale detecia perioadei se realizeaz foarte exact. Exist
numeroase programe care rein aceste perioade pe o durat ndelungat fcnd posibil
reprezentarea grafic a evoluiei pulsului pacientului.
1.4.4. Etapele interpretrii ECG
Dei programele enumerate difer prin unele caracteristici, toate urmresc
anumite elemente fundamentale, prin reducerea i transformarea semnalului ntr-un set de
civa parametri semnificativi pentru deciziile ulterioare. Etapele, indiferent de metodele
specifice prin care se realizeaz cuprind:
a) detecia complexelor QRS
b) detecia artefactelor:
- corecia liniei de zero
- artefacte musculare
c) tipificarea complexelor QRS
d) tipificarea ST-T
e) detecia undelor P
f) selecia i medierea ciclurilor
g) recunoaterea undelor
h) recunoaterea pattern-ului, cuprinznd:
- extragerea parametrilor
- clasificarea - programe de diagnostic.
Majoritatea sistemelor utilizate divid prelucrarea n etapele menionate, fiecare
etap reprezentnd un modul program ce conine un set independent de subrutine.

124

Modulele sunt conectate la dispozitivul de stocare a datelor printr-o interfa software.
Sistemele sunt, n general, independente de frecvena de eantionare, care variaz ntre 250
i 500 Hz. De asemenea, modulele trebuie s fie independente de derivaiile analizate. n
majoritatea cazurilor, cele 12 derivaii sunt mprite n 4 grupe de cte 3 derivaii culese
simultan.
1.4.5. Descrierea modulelor de prelucrare ECG
Din punct de vedere al informaticianului, sarcinile ce trebuie rezolvate n
prelucrarea ECG determin mprirea n module:
1. introducerea datelor: este un modul ce dirijeaz convertorul la culegerea datelor, fie
pe o band magnetic, fie on-line de la pacient
2. detecia QRS: este primul pas n toate sistemele; fiecare derivaie este inspectat
pentru prezena spike - urilor i se determin un punct de referin ("punct fiducial") n
complexele QRS; este dificil separarea unui QRS de un artefact puternic n vecintatea sa
3. detecia artefactelor: n cazul depirii unor nivele, n unele derivaii, datele
pot fi filtrate sau eliminate n cazul nivelelor de saturaie
4. clasificarea QRS: complexele QRS detectate sunt grupate n familii, dup forma
undelor, stabilindu-se tipul dominant; se msoar i fluctuaia intervalului ntre complexe
QRS succesive, util n analiza ritmului; tot acum se evalueaz dac abaterile liniei de baz
depesc un anumit nivel
5. tipificarea ST: se detecteaz nceputul segmentului ST (punctul "J" jonction), se
compar ntre ele segmentele ST - T ale complexelor QRS dominante i se rein pentru
mediere cele asemntoare
6. detecia undelor P: este cercetat activitatea atrial, detectndu-se undele P, att
cele la distan fix de QRS, ct i cele la distan variabil; se detecteaz i flutterul atrial,
dac este present
7. modulul btaie: cnd s-au gsit suficiente complexe QRS cu segmente ST-
T asemntoare, se mediaz cu punctul de referin gsit n detecia QRS
8. durata QRS: se determin nceputul i sfritul complexelor QRS mediate;
aceasta se efectueaz pentru cele trei derivaii simultan n fiecare grup de derivaii
9. durata P: se poate stabili numai dac distana fa de nceputul complexului QRS
este fix; se efectueaz simultan n cele trei derivaii din fiecare grupare
10. sfritul undei T: stabilirea sfritului undelor T
11. parametrizarea: pentru fiecare derivaie se rein amplitudinea i durata Q, R, S i
amplitudinile P, T (uneori i ali parametri)
12. ritmul: se realizeaz o clasificare a ritmului, conform datelor furnizate de modulele
anterioare
13. clasificare a conturului: se efectueaz att pentru ECG ct i n VCG; se utilizeaz
adesea codul Minnesota i programul de diagnostic stabilite de sistemele IBM i Mayo
Clinic
14. prezentarea rezultatelor: modulul de ieire cuprinznd unii parametri, graficul
complexelor mediate i diagnosticul.
Dup cum se observ, modulele 2, 3, 6, 8, 9, 10 se refer la probleme tipice de
detecie, restul fiind module de recunoatere a formelor (11 de tip extragerea atributelor, iar
4, 5, 12, 13 de clasificare).
1.4.6. Descrierea etapelor de detecie
a) Detecia QRS poate fi efectuat prin algoritmi pentru cte o derivaie sau
pentru mai multe derivaii. Cea mai uzual tehnic detecteaz un prag stabilit. Semnalul
original este filtrat (filtru trece band), iar fiecare traversare a pragului ntr-un anumit sens

125

este reinut; se introduce apoi selecia, prin eliminarea traversrilor la intervale prea scurte
fa de precedentele.
O alt metod, propus de Udapa i Murthy, utilizeaz descrierea sintactic a
complexelor ventriculare i supraventriculare pentru analiza ritmului. Se introduc 7
simboluri pentru aprecierea fiecrui segment de eantionare, conform pantelor (0, uor,
mediu sau puternic, pozitive sau negative); semnalul este transformat ntr-o propoziie. Se
definesc gramatici pentru complexele ventriculare, care sunt recunoscute prin analiz
sintactic (analiza propoziiilor).
n cazul analizei simultane pe mai multe derivaii, n special n VCG, se definesc
vectori tridimensionali (n cazul a 3 derivaii) i se introduce termenul de vitez spaial
pentru variaia vectorului; complexul QRS este detectat dac viteza spaial depete un
prag; deseori analiza pe mai multe derivaii utilizeaz intervalul de suprimare folosit n
analiza pe o singur derivaie.
Detecia QRS fiind o problem fundamental n analiza semnalului ECG,
programele sunt n continu mbuntire, ajungndu-se n momentul de fa ca numrul
erorilor (QRS fals pozitive i fals negative) s fie destul de redus.
b) Detecia artefactelor. Calitatea semnalului de intrare este o condiie esenial
pentru interpretarea traseului, indiferent dac este efectuat de om sau computer.
Artefactele traseelor nregistrate pot fi mprite n 5 categorii, fiecare cu caracteristicile
sale:
- devierea liniei de baz
- interferena frecvenei reelei de curent
- artefacte musculare
- spike-uri
- saturaia de amplitudine prin modificri brute ale liniei de baz.
Fiecare tip de artefact necesit metode specifice de detecie i corecie.

. devierea liniei de zero este o perturbaie de joas frecven, datorat respiraiei sau
micrii pacientului. Aceste devieri sunt imprevizibile i deci greu de corectat. Sunt
posibile mai multe ci de corecie, cea mai uzual fiind metoda lui Riedl. Din semnalul
eantionat se selecteaz fiecare al 20-lea punct (care poate aparine fie liniei de baz, fie
unei unde); se elimin punctele cu variaii mari fa de cele vecine i se netezete curba,
obinndu-se profilul liniei de baz, ce va fi considerat linie de zero; prin scderea ei din
semnalul original se obine semnalul corectat (fig.III.10);
. interferena frecvenei reelei este o perturbaie previzibil i corecia se poate efectua prin
filtrare. Este, totui, important de remarcat c unele componente din complexul QRS se
situeaz n acelai domeniu de frecvene cu frecvena retelei de alimentare i astfel se
produce o perturbare nedorit a semnalului original. Mortara a descris o tehnic neliniar
de estimare a interferenei reelei, bazat pe predicia semnalului la momentul ulterior; este
astfel posibil o filtrare numeric, dar complexele QRS pot fi afectate i n aceast situaie;
. artefactele musculare au un spectru mai larg de frecven i apar, de regula, n
nregistrrile n timpul efortului; o filtrare de joas frecven reduce, n general, contribuia
lor la distorsionarea semnalului;
. spike-urile, prin durata lor, deosebit de scurt, pot fi recunoscute mai uor i eliminate
printr-o procedur de comparaie cu punctele vecine; la frecvene de eantionare mai mici,
exist pericolul de confuzie cu componentele QRS;

126

Figura III.10. Exemplu de corecie a liniei zero. [Popescu 1988]
. saturarea n amplitudine este tot o deviere a liniei de baz, ns brusc; corecia se face
similar, introducnd condiia de eliminare prin comparaia mai multor puncte vecine; n
general, prin aceast corecie se pot pierde unele complexe QRS, deci zonele corectate se
eticheteaz.
c) Tipificarea QRS: dei este n mare msur o problem de recunoatere a
pattern-ului, (fig. III.11) are unele aspecte specifice:
Figura III.11. Tipuri de complexe QRS. [Popescu 1988]
- alinierea complexelor QRS nainte de extragerea atributelor este necesar dac la
detecie s-a utilizat direct amplitudinea semnalului i nu derivata sa; alinierea se realizeaz
prin modificarea poziiei relative a ntregului complex n raport cu punctul de referin
(metoda utilizat este maximizarea coeficientului de corelaie ntre complexe);
- alegerea parametrilor pentru extragerea atributelor ofer o palet larg de
posibiliti privind punctele de calcul ale amplitudinilor i duratelor. Diferitele programe
enumerate la nceputul paragrafului utilizeaz seturi variate de atribute, folosind fie valori
culese, fie valori de interpolare; se susine adesea c o frecven de eantionare ridicat
(500 Hz) ar deveni preferabil prin calitatea oferit n aceast prelucrare.
d) Tipificarea ST - T este, de asemenea, o problem abordabil n stilul clasic al
recunoaterii pattern - ului (fig. III.12).

127

Figura III.12. Variante de segmente ST. [Popescu 1988]
Situaii mai deosebite apar cnd corecia liniei de baz a fost insuficient; ele pot
fi lesne confundate de computer cu modificri ale conduciei ventriculare. Totui, dac
pentru mediere au rmas suficiente segmente ST -T, zgomotul introdus este n mare msur
suprimat.

Figura III.13. Exemplu cuprinznd paii de prelucrare a funciei de autocorelaie pentru
detecia undelor flutter. [Popescu 1988]

128

e) Detecia undelor P este una dintre cele mai dificile probleme n analiza ECG
sau VCG, n literatur existnd nc unele neconcordane de terminologie, detecia undelor
P fiind uneori considerat ca determinare a nceputului i sfritului undei P, care fiind o
und de mic amplitudine poate fi uor confundat cu un zgomot. Este mai rezonabil a
cuta nti prezena undei i apoi a-i delimita marginile.
Sunt detectabile 3 tipuri de activiti atriale:
- unde P urmate de complexe QRS la intervale fixe, numite unde P cuplate; n
aceste cazuri timpul de conducere atrio-ventricular este aproximativ constant
(variabilitate de maximum 30 ms) - ritmul sinusal
- unde P ce nu sunt ntotdeauna urmate de complexe QRS, sau distana este
variabil, ca n cazurile de bloc atrio-ventricular de gradul 2
- unde flutter, definite ca oscilaii regulate bifazice, uniforme, cu frecvene ntre
200-400 pe minut; nu se evidenieaz o linie de baz.
Dac nu apare nici unul din tipurile descrise, abaterea de la normal va fi decis de
modulul de clasificare a ritmului; astfel de situaii apar n fibrilaia atrial sau ritmurile
nodale.
Un exemplu privind paii de prelucrare pentru detecia undelor flutter prin funcia
de autocorelaie este redat n fig. III.13. Metoda este descris n paragraful privind analiza
temporal a semnalului EEG.
f) Selecia de mediere a ciclurilor. Aproape toate sistemele de prelucrare
utilizeaz un set de msurri pentru partea de diagnostic, care s reprezinte caracteristicile
complexului PQRST dominant. Este posibil ca parametrii finali s fie calculai pentru mai
multe cicluri dominante i s se medieze parametrii sau ca din ciclurile dominante s se
alctuiasc un ciclu reprezentativ din care s se extrag parametrii.
n continuarea prelucrarii, se definesc atributele ce vor fi extrase pentru
prelucrarea prin metoda recunoaterii pattern-ului (va fi descris n paragraful privind
analiza semnalului EEG).
Prevalena bolilor cardio-vasculare explic eforturile considerabile depuse pentru
elaborarea programelor care au ajuns deja la un grad nalt de fiabilitate. Din cercetrile
efectuate pn n prezent, se desprind urmtoarele concluzii:
- algoritmii sunt mai performani n VCG dect n ECG standard cu 12
derivaii; s-ar mbunti performanele n ECG dac s-ar modifica derivaiile de
nregistrare, astfel nct s se obin 4 grupri de cte 3 derivaii ortogonale
- ar fi necesare mbuntiri la detecia artefactelor, n special a spike-urilor, care
introduc detecii fals pozitive
- n partea de pattern-recognition ar fi necesare mbuntiri ale modulelor de
diagnostic, ns aceasta nu ine de algoritmii de prelucrare ci de criteriile general acceptate
de comunitatea medical, a crei orientare spre utilizarea tehnicii de calcul va imprima
reconsiderarea unor definiii, clasificri i abordri.
1.5. ANALIZA SEMNALELOR NEPERIODICE. PRELUCRAREA EEG
Semnalele neperiodice reprezint cel mai des ntlnit tip de semnal biologic,
iar metodele de prelucrare au un caracter general. De aceea, dei vom alege semnalul
EEG ca exemplu tipic de semanal neperiodic, multe din metodele de prelucrare descrise
n continuare se pot aplica i altor semnale.
1.5.1. Caracterele generale ale semnalului EEG
Semnalul electroencefalografic reprezint activitatea electric a creierului i este
nregistrat n diferite poziii ale electrozilor de culegere pe scalp. Amplitudinea variaz ntre

129

10 i 200 V iar frecvena ntre 0,5 i 30 Hz. Neperiodicitatea este o caracteristic vizibil
i pentru un ochi neavizat.
Originea semnalului este nc o problem neelucidat. Dei a existat i opinia c
rolul preponderent l-ar avea regiunile profunde ale creierului, actualmente se consider c
electrozii culeg n special activitatea scoarei, semnalul pe fiecare electrod reprezentnd o
sumare ponderat (dependent de distana la electrod i de mediile intermediare) a
activitilor unei regiuni relativ ntinse. Experienele efectuate prin deplasarea electrozilor
n regiuni nvecitate au dus la concluzia c nu ar fi posibil o delimitare extern precis a
diferitelor regiuni. Pentru a putea compara diferite trasee, s-au standardizat unele variante
de amplasare a electrozilor, precum i condiiile tehnice de nregistrare. (Din pcate exist
nc mai multe standarde).
Activitatea EEG nregistrat cuprinde mai multe elemente cu diferene regionale
i cu evoluie dinamic, ceea ce ridic numeroase dificulti de prelucrare, dar totodat
incit curiozitatea tiinific de a gsi originea acestor variaii, cu scopul ca apoi s poat fi
utilizate (de exemplu, n scop diagnostic) sau chiar controlate (terapie). Iat o clasificare a
activitilor EEG efectuat de Dumermuth:

a) Activitate spontan neparoxistic:
activiti fr modificri temporale semnificative (alpha, beta, ritm lent continuu,
activitate lent polimorf)
activiti cu modificri lente n timp (activitate n somn, activitate postictal,
activitate fluctuant n com, activitate de hiperventilaie, descrcri seizure)
activiti de tip intermitent (activitate sigma n form de spindles de somn, ritmul
miu, ritmuri lente intermitente, diferite pattern-uri psihomotorii).

b) Activitate spontan paroxistic:
vrfuri, unde ascuite
complexe vrf - und
formaii ritmice (3/sec) vrf i und
unde lente paroxistice
vrfuri pozitive
complexe SSLE
complexe K i poteniale vertex n somn.

c) Activitate evocat:
poteniale evocate tranzitorii
nsuirea fotic a ritmului
activitate la deteptare
efectele de nchidere a ochilor
undele .

n mod uzual un medic de explorri funcionale, n interpretarea pe care o d
unui traseu EEG utilizeaz o terminologie specific: de exemplu traseu iritativ (unde
mai ascuite), cu frecvente fusuri alfa, supravoltat (amplitudini mai mari) etc. Prin
metodele de prelucrare se vor putea estima prin valori numerice caracteristicile uzuale
adugndu-se i o serie de parametri noi.
n ciuda faptului c eforturile depuse pentru analiza semnalului EEG acoper o
palet larg i variat de metode, rezultatele obinute pn n prezent sunt relativ
modeste, ns acest domeniu este deosebit de dinamic aprnd mereu metode noi.


130

1.5.2. Clasificarea metodelor de prelucrare
Complexitatea semnalului a determinat apariia unui numr mare de posibiliti
de abordare a prelucrrii, fiind mprite n dou mari categorii:
- metode elementare de analiz
- metode integrative.
Metodele elementare de analiz pot fi divizate la rndul lor n dou mari clase,
dup aspectul preponderent urmrit n prelucrare:
- prelucrri n domeniul timp (analize temporale);
- prelucrri n domeniul frecven (analize frecveniale).
1.5.3. Metode elementare de analiz. Analiza temporal a semnalului EEG
Analizele temporale cuprind tehnici de prelucrare care presupun ca element
fundamental secvena temporal a datelor, orientate pe cte o caracteristic particular a
semnalului. n exemplele care urmeaz n acest paragraf ne vom referi, n general (cu
excepia cazurilor ce vor fi menionate), la semnalul prezentat n fig. III.14, nregistrat n
derivaia centro-occipital stng, pe un subiect sntos.

Figura III.14. Poriune de traseu EEG; imagine realizat de programul de vizualizare.
[Popescu 1988]
a) Analiza amplitudinilor (Drohocki) const n estimarea unei funcii de
distribuie a amplitudinilor i parametrilor statistici asociai ei. Este util pentru rezumarea
datelor EEG pe perioade lungi i pentru caracterizarea activitii spontane, astfel nct s
poat fi detectate i evenimente paroxistice.
Principala form de prezentare a rezultatelor analizei amplitudinilor este
histograma amplitudinilor (fig. III.15a). O distribuie mai ascuit dect cea normal ar
caracteriza un semnal subvoltat (cnd majoritatea valorilor sunt mici, n apropierea liniei
de zero) n timp ce o distribuie mai turtit ar corespunde unui traseu ce uzual ar fi fost
numit supravoltat.
b) Analiza intervalelor (perioadelor) (Saltzberg i Burch), ce reprezint un studiu
al distribuiei intervalelor ntre punctele specifice, cum ar fi: traversarea axei (zero
crossing), extreme, puncte de inflexiune, etc (fig. III.15b). Se evalueaz perioade
(intervale) i pe prima i a doua derivat a semnalului. Dei metoda este simpl, rezultatele
s-au dovedit a fi n foarte bun concordan cu cele obinute prin metode mult mai
sofisticate atunci cnd n semnal este prezent un ritm dominant.

131

Figura III.15a. Histograma amplitudinilor, mprind ntreaga plaj de valori de intrare a
semnalului (-200 V, + 200 V) n 40 clase de valori (a cte 10 V fiecare)
Cnd sunt prezente mai multe frecvene, metoda poate conduce la interpretri eronate.
Frecvenele joase influeneaz puternic linia de zero, ceea ce determin erori n special ale
frecvenelor nalte. Adugnd ns i analiza primelor dou derivate, se nltur unele erori,
dar frecvenele joase tot nu sunt detectate suficient de bine.

Figura III.15b. Intervalele de traversare a axei de ctre semnal; pentru semiunde se utilizeaz
intervalele cu indici pari (i
0
, i
2
, ...), pentru unde ntregi, intervalele cu indici impari (i
1
, i
2
, ...)
Analiza intervalelor, prin simplitatea sa i viteza mare de calcul este potrivit pentru studii
multicanal sau prelucrri de lung durat. A fost utilizat pentru analizele EEG n timpul
somnului, pentru monitorizri i n psihofarmacologie pentru a determina profilul
modificrilor induse de diferite medicamente.
c) Analiza intervale amplitudini (Marko i Petsche), s-a dezvoltat n mai multe
variante. Cea mai simpl este o analiz a intervalelor, la care se adaug i informaii privind
amplitudinea semnalului, utilizate pentru monitorizare n timpul anesteziei i operaiilor
(Pronk 1975) i pentru selecia automat a epocilor fr artefacte de nregistrare
(Matousek).

132

Cea mai uzual variant, numit i analiza secvenial (Demetrescu), Harner i
Osterngren const n msurarea lungimii de und i amplitudinea de la vrf la vrf a
fiecrei unde definite prin trecerile axei.
O alt variant ntlnit mai frecvent i numit detecia vrfurilor msoar
amplitudinea de la vrf la vrf a fiecrei unde i perioadele ntre amplitudinile extreme (de
fapt traversri ale axei pentru prima derivat a semnalului). Se apreciaz c aceast metod
este cea mai apropiat de modul n care un EEG-ist citete o electroencefalogram. Metoda
e mai robust n cazul variaiilor liniei de zero, ns foarte sensibil la zgomot de frecven
mare, care introduce numeroase oscilaii mrunte ale undei; se impune n aceste analize o
bun filtrare a frecvenelor mari i o netezire a semnalului nainte de prelucrare.
Se observ c aceste analize au ca problem major definirea exact a unei unde
sau semiunde, unele variante fiind foarte sensibile la frecvene joase, altele la frecvene
nalte. Au fost propuse i variante combinate, utilizndu-se analiza intervalelor pentru unde
cu amplitudini mari i frecvene joase, mpreun cu detectarea vrfurilor pentru undele cu
amplitudini mici i frecvene mari (Lim i Winters). Tot o form a deteciei vrfurilor este
i detecia nfurtoarelor semnalului (Schenk), linia zero fiind considerat media ntre
nfurtoarea inferioar i cea superioar. Un aspect interesant al acestor metode l
constituie posibilitatea reprezentrii grafice a fiecrei unde ca un punct n sistemul de
coordonate amplitudine-interval (lungime de und), fiind posibil i medierea n timp real
pe mai multe benzi de frecven i pe mai multe canale deodat, obinndu-se hri
topografice ale activitii EEG.
d) Analiza corelaiei (Barlow i Brazier) compar un tronson (o epoc) a
semnalului cu un alt tronson, fie al aceluiai semnal (autocorelaie), fie al unui semnal cules
pe un alt canal (intercorelaie). Compararea se realizeaz prin deplasarea n timp a
tronsonului comparat fa de cel de referin i efectuarea produselor tuturor perechilor de
valori. Se obine, astfel, o funcie (n raport cu deplasarea n timp) ce evideniaz
componentele periodice ale unui semnal (sau dou semnale).
Funcia de intercorelaie, prin capacitatea sa de a detecta decaljul cu care apar
unele unde n anumite regiuni, este util n determinarea originii anumitor unde EEG, n
special a unor focare de epilepsie, care pot fi astfel localizate destul de precis.
Funcia de autocorelaie poate fi utilizat pentru obinerea transformatei Fourier a
semnalului, care reprezint deja o prelucrare frecvenial.
n figura III.16 este prezentat funcia de autocorelaie a semnalului luat ca
exemplu n fig. III.14.

Figura III.16. Funcia de autocorelaie a semnalului EEG. [Popescu 1988]

133

Avnd o foarte solid fundamentare matematic i fiind i strns legat de analiza
spectral, analiza corelaiei este utilizat ca un instrument de referin pentru celelalte
metode. Exist sisteme analogice (corelatoare) care ralizeaz automat analiza corelaiei
(att auto- ct i intercorelaia).
1.5.4. Analiza spectral
Punctul de plecare al analizei spectrale este ipoteza c un semnal periodic
complex poate fi considerat ca suprapunere a unor semnale periodice simple (de exemplu,
sinusoidale), cu diferite frecvene, amplitudini i faze iniiale. Se obine astfel din funcia
semnal o funcie spectru reprezentnd o distribuie n domeniul frecven s(f). Ipoteza s-a
generalizat i pentru semnale neperiodice, obinndu-se, n general, un spectru continuu al
semnalului. n funcie de mrimea reprezentat n spectru se disting spectre de amplitudine
sau spectre de putere (n care intervine ptratul funciei semnal).
a) Consideraii teoretice. Exist mai multe posibiliti de alegere a funciilor
periodice simple dup care s se fac descompunerea, ns cea mai uzual descompunere
este dezvoltarea n serie Fourier, care consider c semnalul ar rezulta prin suprapunerea
unor sinusoide
(k=1,2, ...) cu diferite amplitudini (M
k
), frecvene (f
k
)

i faze (
k
) :
x t M M f t
k
k
k k
( ) cos
0
1
2 (III.5)
Pentru un semnal sinusoidal spectrul este o linie, pentru un semnal periodic
oarecare este un grup de linii. Deoarece analiza cuprinde ntotdeauna o poriune finit de
semnal, liniile din spectrul calculat nu mai sunt foarte nguste, limea liniilor fiind
dependent att de durata nregistrrii, ct i de perioada de eantionare a semnalului. n
cazul n care semnalul este neperiodic, spectrul este continuu, iar suma din relaia (III.5)
devine integral. n fig. III.16 au fost prezentate cteva tipuri de semnale mpreun cu
spectrele lor.
nc de la nceputurile electroencefalografiei, n semnalele culese au fost distinse
diferite ritmuri fundamentale (delta: 0,5 - 3 Hz, theta: 3 - 7 Hz, alfa: 8 - 12 Hz, beta: 16 -
22 Hz), ns datorit suprapunerii lor este dificil a se aprecia din ochi ponderea fiecrui
ritm. Aceasta explic i interesul deosebit acordat acestui tip de analiz, cu o solid
fundamentare matematic (analiza spectral se utilizeaz i n tehnic n studiul vibraiilor,
precum i n electronic).
Prin analiza spectral se calculeaz componentele spectrale, adic ponderea pe
care o au diferite frecvene care prin suprapunere ar genera un semnal similar cu cel
analizat. Graficul care se obine se numete spectru, mrimea reprezentativ de obicei fiind
densitatea spectral de putere.

b) Alegerea parametrilor de prelucrare a semnalului real
n toate cazurile reale semnalul este de durat limitat T (de ordinul secundelor);
durata tronsonului preluat se mai numete i epoc. Acest interval T determin
rezoluia spectral f, adic distana minim ntre dou linii spectrale (fineea de
reprezentare a spectrului care se ntinde ntre 0 i f
max
(F
NY
- recvena Nyquist). Relaia ntre
f i T este:

f = 1/ T (III.6)


134

Conform acestei relaii observm imediat c, pentru a obine o rezoluie spectral
satisfctoare (preferabil sub 1Hz), avem nevoie de epoci destul de lungi, ceea ce nseamn
achiziionarea unui numr ridicat de puncte, deci i creterea duratei de prelucrare.
Frecvena de eantionare f
e
i durata T a unei epoci prelucrate (lungimea
tronsonului) determin structura spectrului obinut. Deoarece semnalul EEG spontan nu
intereseaz, n general, frecvenele mai mari de circa 30 Hz (F
Ny
), rezult c frecvena de
eantionare trebuie s fie f
e
60 Hz. ns, n aceste situaii, semnalul trebuie s fie bine
filtrat, nlturndu-se toate frecvenele f f
max
n caz contrar apare fenomenul numit
aliasing, adic frecvenele superioare sunt interpretate ca frecvene joase i nu exist nici
un procedeu de a nltura acest fenomen dup eantionare. n cazul n care semnalul nu este
bine filtrat, este preferabil s se lucreze cu frecvene de eantionare mai ridicate (n dauna
timpului de rulare).
n cazul unui semnal aleator, variabilitatea spectrului nu scade la creterea duratei
nregistrrii, astfel nct pentru mrirea reproductibilitii se utilizeaz neteziri ale
spectrului sau chiar medieri ale spectrelor obinute pe perioade succesive mai scurte.
Trebuie remarcat c spectrul obinut printr-o transformare Fourier pe un tronson mai lung
nu este identic cu cel obinut prin medierea spectrelor pe mai multe epoci succesive mai
scurte ce acoper acelai tronson (cu ct componenta periodic a semnalului este mai
ridicat, cu atat diferenele sunt mai mici). Un alt motiv al variabilitii este nsai natura
semnalului, a crei evoluie n timp este reprezentat i prin evoluia spectrului. Ar fi ns
necesar ca spectrul, prelucrat prin metodele de mai sus, s nu difere prea mult n aceleai
condiii experimentale. Acest deziderat este atins dac semnalul cules respect anumite
condiii.
Cu relaiile prezente mai sus putem calcula parametrii de prelucrare ai unui
semnal.
Exemplu. nregistrm un semnal EMG cu valori n plaja 0-10 V, utiliznd un CAN pe 8
bii, cu frecvena de eantionare de 500 Hz, prelund epoci de cte 2 secunde. S estimm:
a) perioada de eantionare (n ms)
b) frecvena maxim n spectru
c) numrul treptelor de cuantizare
d) valoarea unei cuante de amplitudine (ce variaie de potenial corespunde unui bit)
e) rezoluia spectral.

Deci datele problemi sunt: Vmin = 0, Vmax = 10 V, n = 8 bii; fe = 500 Hz, T = 2s.

Rezolvare.
a) Conform relaiei III.1:
Te = 1/fe = 1/500 = 0.002 s = 2 ms
b) Din teorema de eantionare III.2:
F
max
= F
NY
= fe/2 = 250 Hz
c) Numrul treptelor de amplitudine este conform III.3:
N = 2
n
= 2
8
= 256
d) O treapt de amplitudine (cuant), confrm III.4 are valoarea:
V = (V
max
V
min
) / N = (10 0) / 256 0,04 V.
e) Rezoluia spectral este conform III.6:
f = 1/2 = 0,5 Hz

135

Deci vom obine un spectru pentru frecvene din 0.5 n 0.5 Hz de la 0 la 250
Hz.
c) Teste pentru semnalul EEG
O caracteristic fundamental cerut pentru prelucrrile semnalului este
staionaritatea, adic meninerea compoziiei diferitelor frecvene aproximativ constant.
Dei s-au dezvoltat metode ce dau rezultate confidente i n cazul semnalelor nestaionare,
problema rmne totui deschis i n privina alegerii lungimii tronsonului; lucrnd cu
epoci scurte (T 1s), vor fi sesizate toate nestaionaritile (evenimentele tranzitorii vor
modifica spectrul), n timp ce epocile mai lungi (sau medierea spectrelor pe tronsoane
succesive nsumnd o epoc mai lung), reduc nestaionaritile i cresc reproductibilitatea;
n aceste cazuri se lucreaz pe epoci de 4 - 5s, uneori i 10s.
O alt caracteristic este ergodicitatea; mediile temporale sunt egale cu mediile
statistice. Validitatea acestei ipoteze ne permite s nlocuim medierea pe mai multe realizri
(pe ansamblu) cu medierea temporal (pe o singur realizare).
Se mai ntlnete frecvent i ipoteza normalitii semnalului, condiie considerat
uneori ca prea restrictiv i nesatisfacerea ei nu ar determina eliminarea epocii respective
din studiu.
Un test obligatoriu ns este testul tendin, care verific pstrarea condiiilor de
nregistrare; n anumite situaii este posibil o deplasarea liniei de zero a semnalului, ceea
ce modific substanial rezultatele unor prelucrri (ex. zero-crossing). Exist posibilitatea
ca aceast alunecare a liniei zero s fie compensat prin programul de calculator.

d) Rezultatele analizei spectrale
Spectrele obinute prin analiza Fourier a unui semnal divizat ntr-o succesiune de
epoci se reprezint, n mod obinuit, ntr-o form comprimat (Bickford), crendu-se
impresia unei reprezentri tridimensionale, deci n afar de axele pentru spectrul S(f) sau
G(f) se adaug axa timp; fiecare spectru este desenat n spatele celui anterior, avnd
originea deplasat (cel mai adesea pe vertical); regiunile care nu se vd din cauza
spectrului din fa nu se traseaz (metoda folosit n acest caz se numete metoda liniei de
orizont, prin asemnarea imaginii obinute cu imaginile unor lanuri muntoase). n fig.
III.17. este redat o astfel de reprezentare pentru un subiect sntos.
Fgiura III.17 Reprezentarea comprimat Bickford a 8 epoci de cte 4,68 s nregistrate pe derivaia centro-
occipital stng a unui subiect sntos. [Popescu 1988]

Modificrile n unele stri patologice sunt tipice i evidente. n fig. III.18 este
redat spectrul unui pacient cu insuficien renal cronic, nainte de dializ. Se observ

136

dispariia ritmului alfa. Dup dializ spectrul devine normal, degenernd ns din nou
naintea urmtoarei edine de dializ.

Figura III.18. Reprezentarea comprimat Bickford a 8 epoci de cte 4,68 s ale unui pacient
cu insuficien renal cronic nainte de dializ. Puterea semnalului este mai mic n toate
regiunile, iar ritmul alfa lipsete. [Popescu 1988]
Modificrile spectrelor permit i urmrirea tratamentului efectuat n diferite tipuri
de epilepsie (Gersch), diferite stri fiziologice (de exemplu diferite temperaturi - Pronk, fig.
III.19), monitorizare n timpul operaiilor pe cord, studii de psihofarmacologie (Fink),
modificri cu vrsta (Turner), etc.
Figura III.19. Modificri spectrale induse de modificarea temperaturii. [Popescu 1988]

137

1.5.5. Detecia elementelor tranzitorii
Analiza spectral se aseamn oarecum cu holografia: toate regiunile
(punctele) semnalului iniial contribuie cte puin la imaginea final (spectru). Aceasta
reprezint un dezavantaj n cazul elementelor tranzitorii, de exemplu descrcri spike
sau complexe vrf-und care, dei au uzual amplitudini mari, sunt de scurt durat,
deci vor contribui doar n mic msur la spectru (fig. III.20).
O metod simpl este folosirea analizei spectrale dar nu pe tronsoane lungi (n
care contribuia unui spike este diluat) ci pe tronsoane scurte (sub 0.5 s). Astfel contribuia
elementului tranzitoriu devine important i detecia uoar, chiar dac se pierde din
rezoluia spectral. Se iau succesiv mai multe astfel de tronsoane, numite n aceast metod
i ferestre. Aceast metod, propus de Berg, se mai numete metoda ferestrei mobile
i adesea aceste ferestre se iau ntreesute pentru a nu pierde evenimente care ar putea fi
eventual fragmentate n dou ferestre succesive (fig. III.20)

Figura III.20.Metoda ferestrei mobile pentru detecia elementelor tranzitorii (Berg).
[Popescu 1988]
O abordare cu totul diferit este deci necesar pentru detectarea spike-urilor i
undelor ascuite (miu), elemente care sunt de mare importan la citirea unei
electroencefalograme. Pentru detectia spike - urilor de ctre calculator (Kooi, 1996) s-au
definit o serie de parametri, care sunt comparai cu standarde: panta ramurii ascendente,
panta ramurii descendente, unghiul de vrf, amplitudinea, durata etc. (fig. III.21.a).
Deoarece evenimentele din spike-uri sunt foarte rapide, filtrarea semnalului utilizat nainte
de nregistrare diminueaz frecvenele nalte (de obicei nu le elimin de tot), mpiedicnd o
evaluare exact a fenomenelor rapide; chiar frecvena de eantionare utilizat pentru
analizele temporale sau/i frecveniale ar putea fi prea mic pentru o analiz detaliat a
spike-urilor. Teoretic, parametrii pot fi definii satisfctor, dar calculul lor este laborios,
fiind necesare extrapolri pentru evaluare.

138

Fiura. III.21. Detecia spike-urilor. a) Caracteristicile uni spike; panta nu se calculeaz cu
punctele din vrf, care datorit eantionrii diminueaz puternic panta; b) aspectul
derivatelor I i II n cazul spike-urilor, comparativ cu variaiile mai lente. [Popescu 1988]
O alt tehnic de detectare a spike-urilor este calculul derivatelor de ordin I i II
ale semnalului (fig. III.21.b), ceea ce a dus i la realizarea unor dispozitive analogice,
simple i fidele, dedicate unor tipuri de unde. Totui, tehnicile numerice au o rspndire
mai larg dect cele analogice.

1.5.6. Metode parametrice
Un element esenial cutat de aproape toate metoele de prelucrare este
reducerea, adic sintetizarea informaiei coninute de semnal ntr-un numr ct mai unic
de parametrii. Metodele enumerate mai sus prezint toate un oarecare grad de reducere
(comprimare), ns sunt adesea nsoite nc de reprezentri grafice, iar numrul
parametrilor caracteristici este nc ridica. Pare deci fireasc tendina de cutare i
pentru semnalul EEG a unui numr redus de parametri care s conin toat
informaia despre semnal. Au fost numeroase propuneri, unele metode au fost chiar
primite cu entuziasm ns n cele din urm s-au dovedit toate insuficiente pentru a
comprima ntr-o manier att de simpl un semnal att de comlex. Abia metodele
integrative, ce vor fi expuse dup acest paragraf, izbutesc s comprime satisfctor
semnalul real. Ele folosesc i parametrii propui n metodele numite parametrice. S
ne oprim la cele mai importante metode.
a) Metoda parametrilor statistici. S-au propus indicatorii statistici uzuali
(medie, deviaie standard, momente, asimetrie, exces), dei corelaia lor cu
diferite stri fiziologice sau patologice nu a fost prea puternic.

b) Metoda descriptorilor normalizai (Hjorth) a atras de la nceput, prin
reducerea descrierii semnalului la trei parametri numii activitate, mobilitate i
complexitate.

Activitatea
A
a
2
(III.7..a)
unde
a
2
este variaia amplitudinilor.


139

Mobilitatea

M
a
/
(III.7.b)
d
fiind deviaia standard a pantelor, iar
a
a amplitudinilor; cum curba pantelor este de fapt
prima derivat a semnalului, mobilitatea poate fi considerat o frecven medie.

Complexitatea

C
dd d d a
2 2 2 2
/ /
(III.7.c)

dd
fiind deviaia standard a vitezei de variaie a pantei, deci este legat de
derivata a doua a semnalului.

Construirea unor electroencefalografe care realizeaz automat i analiza Hjorth pe
fiecare din cele 16 canale (de ex. Mingograf Siemens) a determinat o rspndire mai larg a
metodei. O prezentare comparativ a metodei descriptorilor Hjorth cu alte metode a fost
fcut de Irwin.
n dezvoltarea acestei metode, o important contribuie a fost adus de coala
romneasc de neurologie reprezentat prin lucrrile lui C. Arseni i L. Popoviciu. S-au
elaborat, astfel, hri computerizate ale creierului pentru numeroase cazuri normale, n
diferite stri fiziologice (somn) i patologice (epilepsii, tumori), obinndu-se o semiologie
recunoscut pe plan mondial. Sunt deosebit de interesante evoluiile n timp ale liniilor
izopoteniale, fiind astfel pentru prima dat descrise fazele intime ale declanrii aciunii
focarelor epileptice. Compararea hrilor computerizate cu imaginile obinute prin
tomografie au adus noi date privind cunoaterea fenomenelor cerebrale.
Actualmente se ncearc dezvoltarea modelelor prin completarea parametrilor i
includerea aspectelor generale n metoda recunoaterii pattern-ului.

c) Filtrarea autoregresiv Kalman (Fenwick). Asemnarea semnalului EEG cu
un semnal aleator cu distribuie normal i medie zero (zgomot alb) a sugerat
posibilitatea descrierii sale prin parametrii unei reele de filtre liniare, fr a presupune
vreo relaie a modelului cu activitatea de generare a semnalului EEG.

1.5.7. Metode integrative de analiz. Metoda pattern recognition
Metoda pattern recognition, tradus uneori nepotrivit i ca recunoatere a
formelor, constituie o abordare mai larg, n cadrul creia unii parametri estimai prin
metodele anterioare s devin atribute ale pattern-ului. Aplicabilitatea metodei nu se
limiteaz la prelucrarea EEG, ci este cu totul general.

a) Principiile recunoaterii pattern-ului
Capacitatea de a recunoate ceva este o caracteristic general a fiinelor umane,
chiar i a altor fiine. Procesul de recunoatere l practicm n permanen: recunoatem
obiecte, melodii, tablouri, un scris de mn, paii unui cunoscut pe scar, chiar unele stri
sufleteti. Cum? Printr-o deosebit capacitate de prelucrare a unor informaii, adic un
sistem complex de recunoatere a unor atribute ale obiectului. n prima faz a procesului de
recunoatere, selectm cele mai caracteristice atribute, obinnd un rezumat tipic al
informaiilor, numit pattern. n faza urmtoare, asociem acestui pattern un nume,
comparnd pattern-ul sesizat cu un set ntreg de pattern-uri din memorie i selectndu-l pe
cel mai apropiat.

140

Exist dou abordri principale de recunoatere a pattern-ului: metoda clasificrii,
cnd clasele de pattern-uri sunt cunoscute dinainte i metoda gruprii (clustering
approach), cnd scopul este crearea i definirea claselor.
Un sistem de recunoatere a formelor cuprinde trei tipuri de prelucrri de date:
- achiziia datelor;
- extragerea atributelor (feature extraction);
- clasificarea.
Primele dou tipuri de prelucrri se efectueaz utiliznd cunotine anterioare
despre obiectele de clasificat. O cerin esenial pentru a obine rezultate bune este ca setul
iniial de date s fie reprezentativ. Aceste date iniiale se mpart n dou categorii: setul de
nvare i setul de testare. Pe baza setului de nvare se determin o regul de
decizie, pentru a distinge pettern-uri din diferite clase. Calitatea clasificrii pe care o poate
realiza sistemul se estimeaz prin testarea cu datele din al doilea set.
Unii autori consider c o recunoatere propriu-zis o ntlnim doar n metoda
clasificrii, n timp ce metoda gruprii pare potrivit ca o etap anterioar pentru definirea
unor clase, cnd astfel de definiii nu exist sau nu sunt suficient de precise.

b) Construirea unui pattern. Extragerea atributelor
Este desigur esenial faza de extragere a atributelor (mrimile cu capacitate de
desciminare) pentru a defini un pattern, care poate fi realizat pe dou ci:
i
0
Arbordarea vectorial: toate caracteristicile msurate formeaz un vector n
spaiul msurtorilor; extragerea atributelor ar nsemna trecerea ntr-un spaiu cu mai
puine dimensiuni - spaiul atributelor (sau spaiul pattern-urilor), care se realizeaz prin
definirea unui criteriu calitativ ce caracterizeaz distribuia pattern-urilor, definirea unui set
de funcii pentru mapping i selectarea funciei optime.
Definirea criteriului calitativ se face prin diverse metode asupra crora nu ne
oprim aici.
ii
0
Abordarea structural, n care se consider c rezultatul unei msurtori este o
nlnuire de elemente i se caut elementele de baz prin care att numrul acestora, ct i
pierderea de informaii s fie minime.

c) Sinteza clasificatorului
Fiind dat un set de nvare se caut funcii de decizie ce corespund celor K clase.
Calitatea clasificatorului se msoar prin rata erorilor de clasificare i de generalizare.
Exist mai multe ci pentru stabilirea regulilor de decizie, cei mai uzuali
clasificatori fiind cei de distan, bazai pe reguli geometrice ntr-un spaiu n dimensional.
Abordrile teoretice n metoda pattern recognition sunt destul de sofisticate, iar
aplicatiile de acest tip necesit resurse importante, fiind implementate mai mult pe
calculatoare puternice.

d) Aplicarea recunoaterii pattern-ului la semnalul EEG
Faptul c aceast metod ia n considerare mai multe aspecte a determinat
numeroi cercettori s mbine aspectele temporale cu cele frecveniale, la care s adauge
i alte atribute (fig. III.22), i s obin astfel - o descriere mult mai fidel a semnalului
EEG. Vom reda doar cteva aspecte mai importante.
i
0
Atribute folosite: s-au testat numeroase caracteristici, dintre care enumerm o
parte:
- atribute spectrale: putere absolut sau relativ a unui ritm ( , , , ) frecvenele
medii ale ritmurilor respective etc;

141

- atribute interval / amplitudine: numr de traversri ax n diferite intervale de
timp, n semnal i n prima derivat, suma amplitudinilor semiundelor etc.;
- descriptorii normalizai Hjorth i coeficienii filtrului Kalman.
ii
0
Atribute selectate: dup ce au fost ncercate pe grupe de atribute, lista s-a redus
la: frecvena medie, puterea procentual a undelor delta, numrul total de traversri ale axei
pentru semnal i pentru prima derivat, primii trei coeficieni Kalman, rdcina ptrat a
activitii, mobilitatea i complexitatea.
iii
0
Clasificarea, efectuat n scopul urmririi asimetriei semnalului, a utilizat n
prealabil o ierarhizare a atributelor selectate, criteriul cel mai puternic fiind rdcina ptrat
a activitii Hjorth.
iv
0
Evaluarea clasificrii s-a efectuat cu setul test, lund n considerare separat
erorile de clasificare fals pozitive i fals negative, eroarea medie de clasificare fiind de circa
25%.

Figura III.22. Reprezentarea ntr-un spaiu cu 6 dimensiuni a semnalelor EEG culese de la
un pacient dializat. Gruprile de puncte aparin diferitelor perioade (nainte, n timpul i
dup dializ). Prelucrare prin pachetul ISPAHAN. [Popescu 1988]
e) Avantaje i limite ale metodei recunoaterii pattern-ului
Aceast metod, nc n curs de dezvoltare, este considerat de mare perspectiv,
n special datorit faptului c ine cont de numeroi factori pe care i selecteaz n funcie de
calitatea clasificrii obinute pe lotul de nvare. n acest scop s-au i creat pachete de
programe specializate pentru problema recunoaterii pattern-urilor (ex: ISPAHAN).
Exist ns i unele comentarii care limiteaz entuziasmul artat metodei. n
primul rnd, este necesar un numr imens de date pentru lotul de nvare i pentru lotul
de test. Dei nu exist un criteriu concret, se apreciaz c numrul de cazuri trebuie s fie
de cel puin cinci ori mai mare dect numrul de atribute considerate nmulit cu numrul
de clase. Aici ajungem n faa unui compromis - scderea numrului de atribute. Dar
scderea numrului de atribute considerate, ar putea influena calitatea clasificrii (totui s-
a artat c indicele de merit este concentrat doar de cteva atribute), n timp ce creterea

142

ar mri numrul de date care nu numai c ar lungi i timpul de rulare ci, destul de des, nu
avem suficiente date pentru loturile iniiale.
Un alt dezavantaj l constituie capacitatea de clasificare nc insuficient de ridicat
(s-au realizat totui comparaii cu clasificrile realizate de grupuri de medici; variaiile de
clasificare, care n cazul calculatorului se numesc erori de clasificare, au fost de acelai
ordin de mrime).
Dei exist aceste limitri, metoda recunoaterii pattern-urilor este totui mai
complex dect celelalte metode (incluzndu-le de fapt, dac le preia atributele).
1.5.8. Analiza sintatic
O caracteristic esenial a semnalelor EEG este dinamica lor, n termeni tehnici
fiind nestaionaritatea. S ne reamintim c, din punct de vedere teoretic, aplicarea
analizei frecveniale solicit mplinirea condiiei de staionaritate a semnalului. Pentru
tronsoane scurte (sub 2s) aceast condiie nu este ndeplinit ns ea devine satisfctoare
de la 4-5 s n sus. Totui, ne putem lesne imagina c numeroase fenomene cerebrale pot fi
foarte rapide i condiia de staionaritate nu ar face dect s ilustreze doar o activitate
medie a creierului care ar putea ntr-adevr fi considerat aproximativ constant pentru o
anumit stare a subiectului. Analiza activitilor cerebrale intime trebuie totui s acorde
atenia cuvenit evenimentelor scurte sau rapide astfel nct, cu riscul sacrificrii rezoluiei
spectrale, cercetrile au investigat n detaliu i evoluiile pe epoci scurte. Un grup de
cercetare al Universitii Vanderbilt din Tennessee a propus o metod sintatic de analiz a
semnalelor EEG, care ar cuprinde urmtoarele faze:
- divizarea semnalului cules (pe mai multe canale) n epoci scurte (0.3-1 s)
- efectuarea tuturor analizelor elementare pe aceste epoci
- aplicarea metodei pattern recognition pentru fiecare epoc; se pot astfel
defini o serie de tipuri de activiti care vor fi caracterizate fiecare printr-o
etichet (label) a epocii
- succesiunea epocilor va fi reprezentat printr-o succesiune a etichetelor, care
formeaz o propoziie
- se analizeaz propoziiile obinute n diferite tipuri de activiti
- se aplic analiza sintactic a acestor propoziii pentru clasificarea activitilor
cerebrale.
Prin aceast metod au putut fi clasificate cteva tipuri de activiti cerebrale
iar cercetrile sunt n plin avnt, ateptndu-se ca prin mbinarea acestor metode
sintactice cu cele de "pattern recognition" s se obin identificarea unor tipuri de stri
sau activiti ale creierului uman.
1.5.9. Poteniale evocate
Studiul activitii cerebrale de fond, dei aduce o serie de date privind starea
fiziologic sau patologic a subiectului, nu reprezint dect o imagine parial a
funcionalitii creierului. Dei se iau toate precauiile pentru a nu modifica condiiile de
nregistrare, caracterul nestaionar al semnalului apare destul de des n eviden. O serie de
date noi apar ns atunci cnd urmrim ecoul la nivel cerebral al unor stimuli controlai de
noi. Potenialele nregistrate n aceste condiii reflect evident modul de reacie a creierului
la modificarea condiiilor, contribuind la aprofundarea mecanismelor care sunt att de puin
cunoscute. Se explic astfel i interesul deosebit acordat studiilor de acest gen, care devin
din ce n ce mai numeroase.
Natura stimulrii poate fi divers. Cele mai numeroase studii se refer la
stimularea vizual (cu lumin stroboscopic sau, mult mai des, cu modele tip tabl de ah),

143

stimularea auditiv (sunete de diferite durate sau nlimi, uneori modulate cu frecvene mai
joase) sau stimularea somatic.
a) Extragerea semnalului
Problema major n studiul potenialelor evocate o constituie amplitudinea mic a
rspunsului (civa V), care fiind suprapus peste activitatea de fond, de 50 - 100 V,
n mod obinuit nici nu se observ pe traseu. Considernd ca semnal potenialul evocat iar
activitatea de fond ca zgomot, extragerea semnalului devine o problem de cretere a
raportului semnal / zgomot. Presupunnd c potenialul evocat apare ntotdeauna cu aceeai

laten dup stimulare, Dawson a introdus metoda superpoziiei, prin care se suprapun
epoci de semnal, fiecare epoc ncepnd n momentul stimulrii. Deoarece activitatea de
fond este aleatoare, regiunile fr rspuns evocat i compenseaz valorile, n timp ce
regiunile ce conin rspunsul i amplific valorile (fig. III.23), aprnd n felul acesta
metoda medierii, care s-a rspndit foarte rapid dup apariia mediatoarelor electronice.
O alt metod de extragere a semnalului din zgomot este analiza Fourier ntr-o
band ngust de frecven, n cazul n care stimulul se repet la intervale regulate.
n studiile privind potenialele evocate se recomand utilizarea unei frecvene de
eantionare ridicate, deoarece fenomenele sunt rapide (sunt necesare rezoluii de ordinul
milisecundei); de asemenea, fiind necesare precizii ridicate de evaluare a amplitudinilor, se
recomand convertoare de 12 - 16 bii.
b) Nestaionaritatea potenialelor evocate
Metoda medierii sau analiza Fourier ar aduce semnalul la forma sa pur dac ar fi
adevrat ipoteza c potenialul evocat ar fi identic la fiecare stimulare. Constatrile
experimentale arat c potenialele evocate se modific progresiv n timp, ceea ce limiteaz
acurateea cu care pot fi comparate dou poteniale evocate.
S-au ncercat mai multe variante de a reduce erorile datorate nestaionaritii, fie
prin stimularea simultan a diferitelor regiuni, fie, n cazul stimulrii vizuale, prin
modularea intensitii stimulului cu un zgomot cu repartiie normal.
Trebuie menionat i fenomenul de obinuin la ritmul stimulrii: n anumite
cazuri, dup un set de stimuli repetai la intervale regulate, dac se oprete stimularea se
mai obin nc rspunsuri.

Figura III.23. Extragerea potenialului evocat prin mediere. a) evoluia stimulului luminos;
b) nregistrarea unei stimulri; c) medierea a 2 stimulri; d) medierea a 5 stimulri; e)
medierea a 100 de stimulri; f) semnalul din (e) amplificat. [Popescu 1988]

144

Pentru a nltura efectele fenomenului de obinuin, stimulatorul trebuie s genereze
stimuli la intervale neregulate de timp, iar sumatorul sau mediatorul s fie de asemenea
comandat de stimulator. S-au realizat dispozitive dedicate pentru aceste stimulri i
medieri, numite averager.
c) Analiza potenialelor evocate
Considernd un potenial evocat nregistrat cu toate precauile tehnice, putem
extrage din el o serie de parametri deosebit de importani: latena, undele caracteristice
(pozitive sau negative), durata lor etc. Din punct de vedere teoretic, problemele ridicate
sunt similare cu cele de la analiza temporal a semnalelor (analiza intervalelor sau interval /
amplitudine): definirea liniei de zero, definirea undelor etc. O serie de metode caracteristice
prelucrrii semnalelor de fond se aplic i n studiul potenialelor evocate: analiza
corelaiei, analiza Fourier, pattern recognition.
d) Clase de poteniale evocate
S-au stabilit mai multe categorii separate de poteniale evocate. n categorisirea
unui potenial evocat, se ntmpl destul de des ca acesta s aparin mai multor categorii.
O prim clasificare mparte potenialele legate de procesul de stimulare i poteniale legate
de procesul de cunoatere - apar aa-numitele unde de ateptare; tot n aceast clas intr
i undele P300 (denumirea provine de la faptul c deflexia este pozitiv i au o durat de
circa 300 ms).
O alt clasificare cuprinde categoriile: poteniale evocate tranzitorii i poteniale
evocate staionare. Potenialele tranzitorii, numite uneori i singulare, se obin printr-o
stimulare unic. Analiza acestor semnale este mai laborioas i se efectueaz n special n
domeniul temporal. Mecanismele generrii diferitelor unde i semnificaia lor nu sunt nc
elucidate. Potenialele staionare se obin prin stimularea repetat i se analizeaz prin
metoda medierii descris mai sus (fig. III.24).

Figura III.24. Rspuns vizual evocat: (1) la un subiect normal; (2) la un subiect cu scleroz
n plci. [Popescu 1988]
Cele dou metode au avantajele i dezavantajele lor. Pentru studiul variabilelor
cognitive, potenialele evocate tranzitorii par cu mult mai bune dect cele staionare. n
acelai timp, potenialele evocate staionare pot fi prelucrate imediat de un analizator
Fourier i reprezentate ca medie mobil (care se deplaseaz n timp). De asemenea, n
studiul potenialelor evocate este important, deseori, ca edina de nregistrare s fie ct mai
scurt, metoda analizei Fourier fiind din acest punct de vedere mai potrivit dect altele.
Din cele prezente mai sus rezult, evident, efortul mare depus pentru analiza
semnalelor EEG. Dei exist i o serie de aplicaii clinice (diagnosticul unor epilepsii,
detectarea unor tumori, monitorizarea n timpul operaiilor etc.), majoritatea metodelor sunt
dedicate cercetrilor fundamentale, care intesc nelegerea mai profund a proceselor
cerebrale - ce i cum se modific n diferite stri fiziologice i/sau patologice.

145

2. INTRODUCERE N PRELUCRAREA IMAGINILOR
DIGITALE
2.1. DE CE PRELUCRAREA IMAGINILOR?
Preocuparea pentru dezvoltarea unor metode de prelucrare a imaginilor vine
din dou arii de preocupari:
(a) imbunatatirea imaginilor pentru a fi mai uor interpretabile de ctre om;
(b) procesarea datelor din imagini pentru percepia automat ("machine
perception") - recunoaterea automat sau autonom.
Tehnicile de prelucrare de imagini i au originea la nceputul anilor 1920,
cand a fost instalat cablul submarin ntre Londra i New York i primele imagini au
putut fi transmise pe aceast cale. Timpul necesar transmiterii unei fotografii s-a redus
de la ceva mai mult de o sptmn (cu vaporul) la mai puin de trei ore. Echipamentele
specializate (cntrind mai mult de 15 tone) codau imaginile nainte de transmisie i le
de-codau la recepie, imprimandu-le. Primele sisteme Bartlane de codificare au avut o
finee de cinci nivele distincte de luminozitate (n 1921), evolund foarte repede n
urmtorii ani, astfel c n 1929 se ajunsese la 15 nivele.
n timpul urmtorilor ani metodele de procesare i transmisie s-au dezvoltat
continuu, impulsionate fiind de dezvoltarea reelelor de televiziune. Cu toate acestea,
abia n 1964 s-a utilizat tehnica de calcul la prelucrarea imaginilor: imaginile selenare
transmise de Ranger 7 aveau distorsiuni i zgomote cu caracter regulat i au putut fi
considerabil mbuntite utiliznd programe de calculator. De la acest punct de pornire,
tehnicile de mbuntire i restaurare a imaginilor transmise de misiunile spaiale a
devenit un lucru obinuit: misiunile Surveyor pe Luna, seriile Mariner pe Marte,
misiunile Apollo cu echipaj uman, etc.
Tehnicile dezvoltate au fost apoi utilizate i n alte domenii, adaptndu-se sau
dezvoltndu-se metode noi, specifice imaginilor prelucrate i scopului n care ele sunt
utilizate.
O sfer important de preocupari o constituie aplicaiile ce au ca scop
mbuntirea calitii imaginilor pentru a scoate n eviden coninutul util. Ele au ca el
final interpretarea i analiza fcut de catre specialitii umani. Astfel de aplicaii au
fost dezvoltate n medicin, geografie, meteorologie, fizic, astronomie, aprare, diverse
domenii industriale. Medicina a fost ntotdeauna un lider n dezvoltarea de aplicaii
datorit importanei extraordinare a imagisticii n investigaiile medicale.
O alt arie major de preocupri este recunoaterea automat a imaginilor
(machine perception). n acest caz efortul este concentrat pe dezvoltarea de proceduri
pentru extragerea informaiei imagistice ntr-o form potrivit pentru prelucrarea
automat i formalizat. Printre problemele tipice care au fost n parte rezolvate i exist
aplicaii ce au depit deja faza de laborator (fiind utilizate n mod curent): recunoterea
automat a caracterelor (Optical Character Readers - OCR), sisteme de vedere
artificial n domeniul industrial (linii de asamblare, controlul calitii), prelucrarea
amprentelor digitale, predicii meteorologice, aparatur de analiz automat a probelor
sanguine.
Aceste sisteme de recunoatere automat ajung la performane extraordinare
(vitez i acuratee ridicate) n aria ngust de probleme pentru care ele sunt create.
Trebuie ns accentuat c sistemul vizual uman este neegalat n performan prin
varietatea mare de imagini pe care le poate prelucra i nelege, ca i prin capacitatea
de adaptare la condiii noi de percepie n funcie de context i de experienele
anterioare. Acesta este unul din motivele pentru care studierea mecanismelor vizuale
umane rmne un domeniu important de preocupri nu numai pentru cercettorii din

146

domeniul bio-medical, ci i pentru cei din domeniile tehnice. Un fapt important de
subliniat este c cercetarea actual recurge, de regul, la abordri interdisciplinare.
2.2. FUNDAMENTE. UN MODEL DE IMAGINE
Termenul de imagine monocrom sau simplu imagine se refer la o funcie a
intensitii luminoase, notat f(x,y). Ea reprezint intensitatea (luminozitatea) imaginii
n sensul comun al cuvntului n punctul de coordonate (x,y). Cum lumina este o form
de energie, ea trebuie s fie strict pozitiv i finit:
0 f x y ( , )
Imaginile pe care le percepem n viaa de zi cu zi constau din lumina reflectat de
obiectele din jur. De aceea, natura funciei f(x,y) poate fi caracterizat de dou
componente:
(1) iluminare i(x,y)
(2) reflectanta r(x,y)

f x y i x y r x y ( , ) ( , ) ( , )
Iluminarea reprezint cantitatea de lumin incident n punctul respectiv i este o
caracteristic a sursei de lumin:
0 i x y ( , )
Reflectanta caracterizeaz proprietile obiectului cantitatea de lumin reflectat:
0 1 r x y ( , )
Reflectanta este sczut pentru obiectele pe care le percepem ca fiind negre sau nchise
la culoare i are valori tot mai ridicate pentru obiectele de culoare deschis/strlucitoare.

Pe parcursul acestei introduceri n prelucrarea imaginilor digitale, vom nota
intensitatea imaginii monocrome n punctul de coordonate (x,y) cu l i vom numi
aceast valoare nivel de gri al imaginii n punctul respectiv:
L
min
l L
max
L
min
=i
min
r
min
si L
max
=i
max
r
max
[L
min
, L
max
] va constitui scara de gri a imaginii respective.

n practic, se obinuiete s se lucreze cu o scar de gri normalizat: [0 , L].
Convenia este:
l=0 este considerat a fi negru
l=L este considerat a fi alb
Valorile intermediare vor fi nuane de gri. Cu cat L are o valoare mai mare, cu att
fineea de prelucrare este mai ridicat. Valoarea L depinde de aplicaia respectiv, de
precizia cu care se lucreaz, etc. Sistemul vizual uman distinge aproximativ 64 de
nuane, dar sistemele artificiale lucreaz, de regul, cu un numr mai mare de nivele de
gri.

Principiile de obinere a imaginilor nu se limiteaz ns la spectrul vizibil al
undelor electromagnetice. Pentru imaginile obinute cu aparatele Rntgen, nivelul de gri
l este o msur a reflexiei sau absorbiei radiaiei X, n timp ce n ecografie se utilizeaz
ultrasunetele. n acest fel, se poate vizualiza/investiga interiorul corpului uman fr a-i

cauza neajunsuri majore (utiliznd proceduri ct mai puin invazive). Primul pas n
procesarea imaginilor este achiziia acestora i vom prezenta pe scurt principalele
metode utilizate n imagistica medical, deoarece imaginile obinute folosind lumina
vizibil constituie o parte infim din imaginile medicale.

147

Deoarece n acest curs prelucrarea imaginilor este abordat dup celelalte
prelucrri de date (inclusiv semnale), considerm oportun s prezentm o sintez a
metodelor de procesare a datelor. Tabelul urmtor consider datele n sens general,
sistematiznd metodele funcie de tipul de informaie de la intrare (input), respectiv
rezultatul obinut n urma aplicrii metodei (output):

output date 3-D date 2-D date 1-D vector date 0-D
input imagine 3-D fotografie semnal caracteristici identitate
date 3-D
imagine 3-D
restaurare
mbuntire
detecia
limitelor ob.
detecia
liniilor
analiza
imaginilor
interpretarea
imaginilor
date 2-D
fotografie
reconstrucie restaurare
mbuntire
detecia
limitelor ob.
analiza
imaginilor
interpretarea
imaginilor
date 1-D
semnal
reconstrucie reconstrucie prelucrarea
semnalelor
analiza
semnalelor
interpretarea
semnalelor
vector
caracteristici
grafic 3-D
(or. obiecte)
grafic 2-D
(or. obiecte)
afiare vector procesarea
datelor
pattern
recognition
date 0-D
identitate
modelare modelare
(pict.2-D)
model/schi
(pict.1-D)
exemple _______
Adaptat dup [Van Bemmel&Musen 1997]

Subliniem faptul c aceast clasificare nu este totdeauna strict i c anumite proceduri
pot fi un scop n sine, n timp ce altele sunt doar pai intermediari pentru prelucrri mai
complexe. Problemele legate de grafic i de modelare nu vor fi abordate n aceast
prezentare (iar cele de imagistic 3-D doar tangenial), dar considerm sinteza util
pentru a va putea sistematiza noiunile de prelucrare a semnalelor privite la modul
general.
2.3. NOIUNI ELEMENTARE DE IMAGISTIC MEDICAL
ntr-o msur foarte mare, imagistica medical este practic imposibil fr
tehnica de calcul ea se bazeaz pe principii fizice care necesit un volum considerabil
de calcule pentru a reda sub forma vizual informaia culeas. Calculatoarele se
utilizeaz n imagistica medical pentru:
construirea imaginilor din msurtori ale unor parametri fizici
re-construirea unor imagini pentru o extragere optim a caracteristicilor
prezentarea imaginilor pentru a putea fi analizate n timpul actului medical
mbuntirea calitii imaginilor
msurtori efectuate pe imagini caracteristici geometrice, de
coloare/intensitate, de textur, etc.
segmentarea imaginilor descompunerea lor n diverse componente
arhivarea imaginilor (stocarea i regsirea lor) de cele mai multe ori implic
utilizarea unor tehnici de compresie.
Multe din imaginile medicale sunt generate utilizand radiaie cu lungime de
und divers (de regul nu n spectrul vizibil) i sunt apoi prezentate utiliznd un suport
auxiliar (monitor sau film fotografic). Exist ns i imagini obinute n spectrul vizibil,
ca cele obinute prin endoscopie sau cele din chirurgia estetic.
Prezentm, pe scurt, principalele metode de obinere a imaginilor medicale.

148

Imagini Radiologice
Potenialul radiaiei X de a fi utilizat pentru investigarea nedistructiv a
interiorului corpului uman a fost sesizat imediat dup descoperirea acesteia de catre
Julius Rentgen n 1895. Metodele au fost perfecionate continuu pentru a deveni tot
mai puin nocive i mai precise. Lungimile de und utilizate n domeniul medical sunt
cuprinse n intervalul 0.1 1 A.

Figura III.2.3.1. Imaginea negativ (radiografia clasic - stnga) i alternativa pozitiv
(dreapta)

Figura III.2.3.2. ntrirea contrastului unei imagini radiografice
Radiologia clasic a utilizat filmul fotografic i ne punem ntrebarea fireasc
dac este util prelucrarea imaginilor radiografice 2-D cu ajutorul calculatorului?
Credem c rspunsul este evident pozitiv: pe lng facilitatea de stocare/regsire a
imaginilor, tehnica de calcul ofer posibilitatea unor prelucrri simple i rapide atunci
cnd este nevoie (figurile III.2.3.1 i III.2.3.2 sunt doar nite exemple).

O tehnic radiologic ce nu poate fi ns aplicat fr ajutorul tehnicii de calcul
este angiografia digital - DSA (Digital Substracted Angiography). Tehnica se
utilizeaz n situaii cnd este nevoie s se vizualizeze vase sau caviti interne ce sunt
ecranate de prezena unor esuturi cu densitate ridicat (de regul oase). Un exemplu
este cel prezentat n figura III.2.3.3, n care a fost necesar investigarea reelei de vase

149

din zona cranian. S-a injectat o substan opac la radiaia X i s-a efectuat o
radiografie. Pentru zonele abdominale metoda aplicat n acest fel conduce la rezultate
mulumitoare, dar n acest caz imaginea obinut (a) are un contrast sczut i, practic, n
ea nu se poate distinge nimic util din punct de vedere medical. De aceea, se
achiziioneaz cel puin dou imagini: una nainte de injectarea substanei de contrast i
una dup. Prima imagine poart numele de masca i ea se extrage prin tehnici
digitale din imaginea a doua, scondu-se astfel n eviden tocmai diferena dintre cele
dou imagini reeaua de vase (b).

(a) (b)
Figura III.2.3.3. n Digital Substracted Angiography se utilizeaz substana de contrast
opac la radiaia X, prelundu-se dou imagini (nainte i dup injectarea substanei de
contrast). Informaia util (imaginea b n figur) se obine scznd-o pe prima (masca) din
imaginea preluat dup injectarea substanei de contrast
Tehnica de calcul ne ajut nu numai s facem calculele necesare operaiei de
scdere a celor dou imagini, ci i potrivirea imaginilor prin tehnici de corelaie
(asemntoare celor descrise la prelucrrile de semnale) deoarece este practic imposibil
ca pacientul s fie poziionat identic pentru cele dou imagini. Operaia poart numele
de image registration i este necesar ori de cte ori se fac operaii de comparare,
scdere, etc. a dou sau mai multe imagini (ele trebuiesc translatate, rotite, scalate sau
ntinse pentru a se potrivi).
n mod normal, se achiziioneaz mai multe imagini post-contrast pe msur ce
substana de contrast difuzeaz iar contrastul devine mai puternic n zonele periferice i
scade n regiunea proximal punctului de injecie. Ele se vor combina pentru a obine
imagini de calitate n condiiile utilizrii unor cantiti mici de substan de contrast i a
unei iradieri de ct mai mic intensitate.

Tomografia Computerizat
Un neajuns major al imaginilor radiologice este faptul c ele redau n dou
dimensiuni o realitate tridimensional pierderea unei dimensiuni conduce implicit la
pierdere de informaie, lucru pe care medicii l compenseaz prin cunotinele specifice,
prin intuiie, etc. Chiar atunci cnd aceste imagini sunt mbuntite (ca n situaia
angiografiei digitale), ele rmn o proiecie bidimensional a realitii. Mai mult, prin
tehnicile clasice este imposibil s se fac distincie ntre esuturile moi pentru c
diferena net este ntre os i aer, sau ntre substana de contrast i esuturile moi luate
mpreun.
Invenia tomografiei computerizate cu raze X (Godfrey N. Hounsfield, 1971),
rspltit cu un premiu Nobel n 1979, a produs o adevrat revoluie n lumea
medical. Aceast tehnic (ilustrat n figura III.2.3.4) permite vizualizarea unor
seciuni bi-dimensionale tiate n zonele de interes din corpul investigat.


150

(a) (b) (c)
Figura III.2.3.4. Principiul proieciei inverse utilizat n tomografia computerizat.
Presupunem c seciunea pe care dorim s-o vizualizm are forma eliptic (a) cu dou
formaiuni de densitate diferit n interior (de exemplu o seciune prin antebra). Se fac dou
radiografii (pe direcii perpendiculare) cu fascicole foarte nguste de radiaie X i se obin
profile de absorbie bidimensionale (b). Combinndu-se cele dou surse de informaie, se
redau diferenele de densitate n seciunea bi-dimensional investigat (c)

Figura III.2.3.5: Principiul tomografiei computerizate utilizat n investigaiile medicale
preluat din [Van Bemmel&Musen 1997]

n practic, imaginile sunt reconstruite pornind de la un numr mare de "profile
de absorbie", luate la intervale unghiulare constante pentru o incident dat figura
III.2.3.5. Utiliznd sute de astfel de profile pentru o seciune dat, calitatea obinut este
ridicat (ce a fost ilustrat n figura III.2.3.4 este o exemplificare a ceea ce s-ar obine cu
doar dou profile).
Tomografia computerizat are cteva neajunsuri ce deriv din faptul ca utilizeaz
radiaia X, ceea ce face uneori dificil s se vizualizeze esuturile moi. Sunt situaii n
care utilizarea unei alte metode rezonana magnetic nuclear conduce la rezultate
mai bune. Figura III.2.3.6 ilustreaz aceste diferene.

151

Figura III.2.3.6. Diferene ntre imagine obinut prin tomografie computerizat cu raze X
(A) i prin rezonana magnetic nuclear (B)
Rezonana Magnetic Nuclear
Rezonana magnetic nuclear permite vizualizarea distribuiei esuturilor din
seciuni transversale tiate prin organele investigate (felii bi-dimensionale) prin
analogie cu tomografia computerizat cu raze X, se mai numete tomografie de
rezonan magnetic nuclear. Numele vine de la faptul c se bazeaz pe un fenomen
de rezonan ntre energia nucleelor atomice aflate ntr-un cmp magnetic i radiaia
electromagnetic cu frecven specific fiecarui tip de atom.
Principiul este ilustrat n figura III.2.3.7 se bazeaz pe momentul de spin care
face ca atomii cu numr de ordine impar s se comporte ca nite mici magnei. Introdui
ntr-un cmp magneric exterior suficient de intens, ei tind s se orienteze dup direcia
cmpului i apare o magnetizare a corpului investigat. La apariia unui impuls de
radiaie electromagnetic de frecven potrivit, nucleele ce intr n rezonan vor
absorbi energia i vor ocupa o nou poziie (permis din punct de vedere cuantic) -
fenomenul se numete excitaie.
La ncetarea impulsului perturbator, nucleele vor tinde s-i reia vechea poziie
printr-o micare de precesie, emind un semnal n radiofrecvena (frecvena Larmor) ce
este funcie de natura nucleelor, de combinaiile chimice i de condiiile fizice n care
acestea se afl. Aceast revenire poart numele de relaxare i are (i ea) durata n
funcie de proprietile esutului respectiv. Se msoar doi timpi de relaxare: T
1

(relaxarea longitudinal sau spin-lattice) i T
2
(relaxarea transversal sau spin-spin).
Utiliznd succesiuni de impulsuri de excitare i corobornd informaiile culese
(frecvena Larmor, T
1
i T
2
) se obine o vizualizare a distribuiei esuturilor precum i a
unor fenomene metabolice din seciunile analizate.

152

Figura III.2.3.7. Ilustrarea principiului utilizat n rezonana magnetic nuclear pentru
vizualizarea distribuiei esuturilor moi i a fenomenelor metabolice preluat din [Van
Bemmel&Musen 1997]

Figura III.2.3.8. Exemplu de reconstrucie a imaginilor 3-D (3-D rendering) ntr-o aplicaie
de imagistic medical


153

Aplicaiile imagistice actuale permit reconstrucia tri-dimensional pornind de la
succesiuni de imagini bi-dimensionale figura III.2.3.8. De multe ori se combin
imagini obinute prin tehnici diferite: tomografie cu raze X, rezonan magnetic
nuclear, radiografie, etc. De regul, astfel de aplicaii permit vizualizarea/reconstrucia
unor noi seciuni (ne-existente n investigaia iniial) prin combinarea informaiilor
culese din surse diferite.

Scintigrafia
Principiul care sta la baza acestei metode imagistice este administrarea (prin
injectare sau prin inhalare) a unor substane marcate radioactiv (substane radio-
farmaceutice) i vizualizarea modului n care aceast radioactivitate interioar se
distribuie n organism. Avantajul este c se pot obine imagini dinamice i funcionale
pentru organul investigat. De aceea, metoda este foarte util n investigaiile cardiace,
iar sincronizarea achiziiei este controlat de semnalul ECG. De mai bun acuratee sunt
dezvoltri ale metodei bazate pe principiile tomografice - SPECT (Single Photon
Emission Computed Tomography).
O alt dezvoltare a metodei (de o acuratee mai mare i potrivit pentru
fenomene mai rapide) a produs o adevarat revoluie n investigaiile din neurotiine:
tomografia cu emisie de pozitroni - PET (Positron Emission Tomography). Ea a permis
vizualizarea proprietilor dinamice ale proceselor biochimice din creier (figura
III.2.3.9).

Figura III.2.3.9. Investigarea activitii creierului utiliznd tehnica PET Positron Emission Tomography. Se
introduce n circuitul sanguin deoxiglucoza care se acumuleaz rapid n zonele creierului care au o activitate
ridicat

Ca i n cazul celorlate metode de investigare, tehnicile scintigrafice permit
reconstrucia tri-dimensional pornind de la succesiuni de imagini bi-dimensionale.
Ecografia
Tehnicile ecografice utilizeaz ultrasunete (unde cu frecvene peste 20 kHz) i se
bazeaz pe faptul c viteza, impedana caracteristic i coeficientul de absorbie difer
funcie de materialul (mediul) pe care acestea l traverseaz. Pentru generarea i
receptarea lor se folosesc traductori formai din cristale piezoelectrice ce pot vibra cu
frecvene cuprinse ntre 2 i 10 MHz.

154

Datorit faptului c rezoluia i adncimea de penetrare a undelor impun cerine
contradictorii privind frecvena acestora, calitatea imaginilor este mai slab dect a
celor obinute prin alte metode figura III.2.3.10.
Figura III.2.3.10. Imagini ecografice ale prostatei calitatea este inferioar celei obinute
prin alte metode. Avantajul l constituie faptul ca metoda este mult mai puin invaziv dect
radiaia X sau scintigrafia

Pe lng structurile anatomice, ultrasunetele permit i investigarea vitezei de
deplasare a unor fluide (de exemplu sngele) prin utilizarea efectului Doppler. De
regul, pentru investigaiile cardiace se utilizeaz combinaii ntre imaginile anatomice
i cele dinamice.
Fiind mai puin invazive ca alte metode (deci cu mai puine efecte secundare),
investigaiile cu ultrasunete se utilizeaz n examinrile obstetrice i ale nou-nscuilor,
cele oftalmologice i cardiace, ale creierului, etc.

Termografia
Corpul uman absoarbe radiaia n infra-rou aproape fr reflexie i, n acelai
timp, emite radiaie n infra-rou ca o component a propriei energii termice.
Intensitatea energiei radiante corespunde temperaturii suprafeei corpului respectiv.
Pentru un subiect sntos, temperatura corpului poate varia considerabil n timp, dar
distribuia temperaturii pe suprafaa pielii pstreaz forme constante i o simetrie
bilateral pronunat.
Tehnicile termografice permit vizualizarea acestor forme ("pattern"-uri) i
determinarea deviaiilor de la normal i a schimbrilor patologice. Termograful medical
este constituit dintr-o camera n infra-rosu, care obine o imagine video a distributiei
temperaturii pe suprafata pielii.

Termografia are cteva avantaje nete asupra celorlalte metode de obinere a
imaginilor n domeniul medical: este complet non-invaziv i este un sistem n timp real
(schimbrile pot fi sesizate cu o frecven de o imagine pe secund). Sigur, aceast
tehnic nu este comparabil cu radiografia n explorarea interiorului corpului uman, dar
este complementar acesteia: radiografia furnizeaz informaie privind structurile
anatomice, n timp ce termografia indic schimbri n procesele metabolice i de
circulaie.
Tehnicile termografice sunt utilizate cu succes n investigarea problemelor de
circulaie, reumatism, cancer de sn, localizarea placentei n timpul sarcinii,
identificarea i localizarea unor tumori intraoculare i orbitale.

155

2.4. PROIECTUL VI SI BLE HUMAN
Proiectul Visible Human a fost sponsorizat de U.S. National Library of Medicine
cu scopul de a pune la dispoziia cercettorilor un set de imagini de referin ale
corpului uman pentru: studii de anatomie, cercetare, dezvoltarea unor aplicaii pentru
educaie, diagnostic i planificarea tratamentelor, simulri, realitate virtual.
n prima faz s-au obinut un set de imagini CT (tomografie computerizat),
MRI (rezonan magnetic nuclear) i crioseciuni pentru:
brbat rezoluie 1mm (15 Gb)
femeie rezoluie 0.33mm (40 Gb)

Figura III.2.4.1. Imagini realizate n cadrul proiectului Visible Human.

Figura III.2.4.1 ilustreaz o crioseciune longitudinal cu evidenierea unor seciuni
transversale pentru care sunt prezentate imaginile CT i MRI, precum i o crioseciune
la nivelul toracelui.

Mai multe informaii gsii pe site-ul dedicat acestui proiect i dezvoltrilor sale
ulterioare. Aceste dezvoltri cuprind aplicaii extrem de diverse: sisteme prototip pentru
screening (de exemplu n cancerul de colon), antrenarea pentru diverse proceduri
chirurgicale (de exemplu cancerul de prostat, chirurgia estetic), sisteme educaionale
pentru disecii anatomice, sisteme de realitate virtual, etc.

156

2.5. EANTIONAREA I CUANTIZAREA IMAGINILOR
Similar cu prelucrarea semnalelor, imaginile trebuiesc transformate ntr-o
versiune numeric (digital) printr-un proces de eantionare, respectiv cuantizare.
Pentru a putea fi prelucrat numeric (digital), funcia imagine f(x,y) va fi digitizat att
spaial, ct i n amplitudine.
Eantionarea i cuantizarea uniform
Digitizarea coordonatelor spaiale (x,y) este numit eantionarea imaginii.
Digitizarea amplitudinii funciei f(x,y) este numit cuantizarea nivelelor de gri.
S presupunem c o imagine continu f(x,y) este aproximat prin eantioane
aranjate la intervale egale sub forma unui tablou de dimensiune N*M, unde fiecare
element al tabloului reprezint o cantitate discret (o valoare numeric). Aceast
matrice se va numi imagine digital:

f x y
f f f M
f f f M
f N f N f N M
( , )
( , ) ( , ) ... ( , )
( , ) ( , ) ( , )
.
.
.
( , ) ( , ) ... ( , )
0 0 01 0 1
10 11 1 1
10 11 1 1

Fiecare element al tabloului poart numele de element de imagine (picture
element) sau pixel. Figura III.2.5.1 prezint intuitiv noiunea de pixel i analogul
acesteia pentru spaiul tri-dimensional (voxel volume element).
(a) (b)
Figura III.2.5.1. Elementele unei imagini bi-dimensionale pixeli (a) i ai unei imagini tri-
dimensionale voxeli (b).
Exprimarea eantionrii i cuantizrii n termeni matematici formali este util
pentru prezentrile urmtoare.
Fie Z mulimea numerelor ntregi, iar R mulimea numerelor reale. Procesul de
eantionare poate fi privit ca o partiionare a planului xy printr-o gril n care
coordonatele centrului fiecruia din elementele grilei vor reprezenta o pereche de
elemente ale produsului cartezian Z Z (sau Z
2
) - adic mulimea tuturor perechilor
ordonate de elemente (a,b), cu a,b Z.
De aici, f(x,y) este o imagine digital dac (x,y) sunt ntregi din Z Z i f este o
funcie care atribuie fiecarei perechi (x,y) o valoare reprezentnd nivelul de gri (un

157

numr aparinnd mulimii numerelor reale R). Dc nivelele de gri sunt de asemenea
numere ntregi, funcia f va avea valorile n Z (aa se ntmpl de obicei).
Procesul de digitizare necesit stabilirea valorilor pentru fiecare pixel. n
procesarea imaginilor digitale se obinuiete ca aceste valori s fie puteri ale lui 2:
N M
n k
2 2

i
G
m
2

unde cu G s-a notat numrul nivelelor de gri.
Vom presupune c cele G valori atribuite pentru nivelele de gri sunt distribuite n
mod egal (echidistant) ntre 0 i L pe scara de gri. Numrul de bii necesari pentru a
memora o imagine digital va fi dat de relaia:
b=N M m

Deoarece imaginea digital (matricea) reprezint o aproximare a unei imagini
reale continue, o ntrebare se impune n acest moment: ct trebuie s fie N i M i cte
nivele de gri sunt necesare pentru o bun aproximare?

Rezoluia unei imagini (msura n care se pot discerne detaliile) depinde
puternic de aceti parametri - cu ct valorile alese pentru N(M) i m sunt mai mari, cu
att imaginea digital se va apropia mai mult de imaginea original.
Este dificil s definim o "imagine bun", deoarece calitatea perceput pentru o
imagine este puternic subiectiv i depinde n mare masur de cerinele aplicaiei care
proceseaz imaginea. Figura III.2.5.2 prezint imagini cu rezoluie diferit.
Imaginea din figura III.2.5.2(a) are o rezoluie de 287*260 pixeli cu 256 (=2
8
)
nuane de gri, pentru ca n figura III.2.5.2(b) rezoluia spaial pe fiecare ax s scad la
jumtate i apoi la o ptrime din rezoluia iniial (c). Numrul nivelelor de gri a rmas
constant n (a), (b) i (c). Se poate observa creterea progresiv a granulaiei i
nrautirea calitii n delimitarea muchiilor. Sigur c aceste detalii depind n mare
msur i de performanele echipamentului de tiprire, precum i de mrimea relativ a
obiectelor din imagine.
Plecnd tot de la imaginea din figura III.2.5.2(a), putei vedea efectul scderii
numrului de nivele de gri la 16(=2
4
) n (d); numrul acestora scade apoi la 2(=2
1
)
nivele n imaginea (e), care este o imagine binar (n alb i negru). n (d) i (e) rezoluia
spaial a fost meninut constant, egal cu cea din imaginea iniial (a). Observai
fenomenul de "fals conturare" nc din figura III.2.5.2(c), datorat insuficienei
nivelelor de gri utilizate pentru reprezentare.
Rezultatele prezentate arat efectele produse asupra calitii imaginii de
variaia lui N(M) i m luate independent. Totui, aceste rezultate rspund doar parial
ntrebrii, pentru c trebuie luat n considerare i relaia dintre cei doi parametri, relaie
exprimat de aa-numitele curbe de izo-preferin (corespunztoare imaginilor de
egal calitate subiectiv).


158

Figura III.2.5.2. Ilustrarea efectelor de schimbare a rezoluiei spaiale, respectiv a numrul de nivele de gri ale
unei imagini (287*260 pixeli cu 256 nuane de gri). Prelucrare cu Image-Pro Plus v.3.0

Concluziile unui studiu de izopreferin arat urmtoarele [Gonzalez&Woods
1992]:
(1) Aa cum era de ateptat, calitatea imaginii crete cu creterea lui N(M)
i respectiv m. n unele cazuri totui, calitatea se mbuntete prin scderea lui
m - explicaia este c prin scderea lui m se produce o cretere a contrastului
aparent din imagine.
a
b c
d e


159

(2) Curbele tind s devin independente de m pe msur ce detaliile din
imagine se nmulesc. Aceasta sugereaz faptul c pentru imagini foarte detaliate
sunt necesare puine nivele de gri (rezoluia spaial este cea decisiv).
(3) Curbele de izo-preferin difer substanial de cele pentru care b
(numrul de bii necesari pentru memorarea imaginii) este constant.
Pentru o iluminare constant, sistemul vizual uman poate distinge aproximativ
64 nivele de gri iar sistemele video standard sunt adaptate la aceast valoare - valori
exprimate pe 6 bii.
Eantionarea i cuantizarea neuniform
n unele situaii, pentru o rezoluie spaial fixat (numr fix de pixeli n
imagine), calitatea unei imagini poate fi mbuntit prin utilizarea unei scheme
adaptive la care procesul de eantionare depinde de caracteristicile imaginii.
n general, o eantionare mai fin este necesar n vecinatatea tranziiilor brute
ntre nivele de gri, n timp ce o eantionare mai grosier poate fi utilizat n zonele
relativ uniforme. S considerm, de exemplu, o imagine ce const dintr-o faa uman pe
un fond uniform. n mod evident, fondul nu poart mult informaie i el poate fi
reprezentat printr-o eantionare de finee mai scazut dect faa uman. Eantioanele
(pixelii) rmase disponibile de la partea de fond pot fi utilizate pentru a obine o finee
mai ridicat n zona feei i astfel rezultatul de ansamblu se va mbunti. n distribuia
eantioanelor trebuie acordat o atenie mai mare zonelor de grani ale tranziiilor
dintre nivelele de gri.
Necesitatea de a identifica n prealabil zonele de grani (chiar dac numai
grosier) este n mod clar un dezavantaj al abordrii esantionrii neuniforme. De
asemenea, aceast metod nu este practic pentru imaginile ce conin regiuni relativ
mici.
Cnd numrul nivelelor de gri utilizate trebuie pstrat relativ redus, utilizarea
unei cuantizari inegal distribuite a acestora este, de obicei, de dorit. O metod similar
celei descrise pentru eantionarea neuniform poate fi utilizat pentru distribuirea
nivelelor de gri din imagine. Se vor utiliza puine nivele n vecintatea granielor i mai
multe nivele n zonele cu o variaie uniform a nuanelor astfel se vor reduce falsele
contururi care apar n aceste zone atunci cnd cuantizarea nu este suficient de fin.
O tehnic atractiv n special pentru distribuirea nivelelor de gri const n
calcularea frecvenei de apariie a tuturor nivelelor de gri permise. Dac exist intervale
ce conin nivele cu apariie mai frecvent, n timp ce alte intervale sunt mai puin
"ocupate", se va putea face o cuantizare mai fin n interiorul intervalelor "ocupate" i
una mai grosier n celelalte subintervale din [0,L].
2.6. RELAII DE BAZ DINTRE PIXELI I OPERAII CU IMAGINI NUMERICE
dup [Gonzalez&Woods 1992]

Vom nota o imagine cu f(x,y). Cnd ne vom referi la un pixel particular, vom
utiliza litere mici (p, q, etc). O submulime sau subset de pixeli din f(x,y) va fi notat cu
S.
Un pixel p aflat la coordonatele (x,y) are:
4 vecini pe orizontal i vertical
(x+1,y) (x-1,y) (x,y+1) (x,y-1)
aceast mulime se noteaz N
4
(p) i se numete "vecinatate de 4 a lui p"
4 vecini diagonali
(x+1,y+1) (x+1,y-1) (x-1,y+1) (x-1,y-1)

160

aceast mulime se noteaz N
D
(p)
N
4
(p) i N
D
(p) formeaz un set numit N
8
(p) - "vecinatate de 8 a lui p"
O notaie uzual pentru vecinii lui p din setul N
8
(p) este urmtoarea: 0=Est, 1=NE, 2=N,
3=NW, 4=W, 5=SW, 6=S, 7=SE.

3 2 1
4 p 0
5 6 7

Conectivitate
Conectivitatea dintre pixeli este un concept important utilizat n stabilirea
granielor dintre obiecte i a componentelor regiunilor dintr-o imagine.
Pentru a stabili dac doi pixeli sunt conectai, trebuie determinat dac ei sunt
vecini ntr-un anumit sens (s zicem, sunt vecini n N
4
) i dac nivelul lor de gri
satisface un anumit criteriu de similaritate (s spunem, au aceeai valoare).
Considerm V ca fiind mulimea valorilor nivelelor de gri utilizate pentru a
defini criteriul de similaritate. De exemplu, ntr-o imagine binar V={1} pentru
conectivitatea pixelilor cu valoarea 1. n imagini cu o scar a nivelelor de gri, pentru
conectivitatea pixelilor cu valori de intensitate ntr-un interval. De exemplu, ntre 32 i
64 vom considera V={32, 33, ... , 63, 64}.
Considerm 3 tipuri de conectivitate:
(a) conectivitate 4
Doi pixeli p i q cu valori n V sunt 4-conectai dac q este n mulimea
N
4
(p).
(b) conectivitate 8
Doi pixeli p i q cu valori n V sunt 8-conectai dac q este n mulimea
N
8
(p).
(c) conectivitate m (conectivitate mixt)
Doi pixeli p i q cu valori n V sunt m-conectai dac:
(1) q este n N
4
(p)
sau
(2) q este n N
D
(p) i mulimea N
4
(p) N
4
(q) este vid (aceasta este
mulimea pixelilor care sunt vecini n N
4
att pentru p, ct i pentru q
i ale cror valori sunt n V).
Conectivitatea mixt a fost introdus ca o modificare a conectivitii 8 n scopul
eliminrii conexiunilor ce conduc la ci multiple i care apar deseori atunci cnd se
utilizeaz conectivitate 8 - exemplul (b) prezentat n continuare:

0 1 1 0 1 1 0 1 1

0 1 0 0 1 0 0 1 0

0 0 1 0 0 1 0 0 1

(a) (b) (c)


161

Definiii
Un pixel p este adiacent unui pixel q dac ei sunt conectai.
Dou subseturi S
1
i S
2
ale imaginii sunt adiacente dac exist cel puin un pixel din S
1

adiacent cu un altul din S
2
.
Un drum de la un pixel p cu coord. (x,y) la un pixel q cu coord. (s,t) este o
secven de pixeli distinci cu coordonatele
(x
0
,y
0
), (x
1
,y
1
), ......, (x
n
,y
n
)
(x
0
,y
0
)= (x,y) si (x
n
,y
n
)= (s,t)
(x
i
,y
i
) este adiacent lui (x
i-1
,y
i-1
), cu 1 i n; n = lungimea drumului dintre p
i q.
Dac p i q sunt pixeli dintr-un subset S al imaginii, atunci p este conectat cu q
n S dac exist un drum de la p la q coninut n ntregime n S.
Pentru orice pixel p din S, mulimea pixelilor din S conectai cu p este numit
componenta conectat a lui S.

Noiunile de conectivitate, adiacent i drum sunt necesare la stabilirea
proprietilor unor obiecte din imagini (de exemplu la segmentare, calcul de distane,
arii i perimetre, etc.). Anumite pachete software de prelucrari de imagini ofer
flexibilitate n stabilirea unor parametri la procesare.

Msurarea distanei
Considerm p, q i z cu coord. (x,y), (s,t) i (u,v)
D este o funcie distant sau o metric dac:
(1) D(p,q) 0 cu D(p,q) = 0 dac p=q
(2) D(p,q)=D(q,p)
(3) D(p,z) D(p,q) + D(q,z)

Distana euclidean
D
e
(p,q) = [(x-s)
2
+ (y-t)
2
]
1/2
Deoarece x, y, s, t sunt de regul numere ntregi, aplicarea distanei euclidiene este
nepractic n prelucrarea imaginilor digitale. De aceea s-au definit alte tipuri de distan,
care au ca rezultat tot numere ntregi.

Distana D
4

t y s x q p D ) , (
4

Exemplu: configuraia de pixeli pentru care distana fa de (x,y) este D
4
2

2
2 1 2
2 1 0 1 2
2 1 2
2
Pixelii cu D
4
1 sunt n N
4
(x,y).

Distana D8
D p q x s y t
8
, max ,


162

Exemplu: configuraia de pixeli pentru care distana fa de (x,y) este D
8
2)
va fi:

2 2 2 2 2
2 1 1 1 2
2 1 0 1 2
2 1 1 1 2
2 2 2 2 2
Pixelii cu D
8
1 sunt n N
8
(x,y).

Lungimea drumului D
4
ntre dou puncte este egal cu lungimea celui mai scurt drum
ntre cele dou puncte cu respectarea conveniilor pentru drum i distan. Acest lucru
se aplic i pentru D
8
.

Operaii aritmetice i logice
Operaiile aritmetice i logice sunt utilizate pe scara larg n prelucrarea
imaginilor. Operaiile logice se aplic doar pe imagini binare, n timp ce operaiile
aritmetice se aplic pe imagini cu mai multe nivele de gri.
Operaiile aritmetice dintre doi pixeli p i q sunt notate astfel:
adunare: p+q
scdere: p-q
nmulire: p*q (sau pq sau p q)
mprire: p q
Operaiile aritmetice pe imagini ntregi sunt efectuate pixel cu pixel. Principala
utilizare a adunrii este aceea de mediere a imaginii n scopul reducerii zgomotului.
Scaderea imaginilor este utilizat mult n imagistica medical, ca instrument prin care
se nlatur informaiile date de fondul static al imaginilor prelucrate (atunci cnd acesta
se cunoate). nmulirea imaginilor (sau mprirea) se utilizeaz pentru corecia
umbrelor ce provin din neuniformiti n iluminare sau n sensibilitatea senzorului
utilizat pentru achiziia imaginii.
Operaiile aritmetice implic locaia spaial a unui singur pixel la un moment
dat, de aceea pot fi realizate "pe loc": rezultatul efecturii operaiei la locaia (x,y) poate
fi memorat la acea locaie ntr-una din imaginile existente (participante la operaia
aritmetic), deoarece locaia respectiv nu va mai fi "vizitat" a doua oar.

Operaiile logice utilizate n procesarea imaginilor sunt AND (i logic), OR
(sau logic) i COMPLEMENT (negare logic), notate astfel:

AND: p AND q (sau p q)
OR: p OR q (sau p+q)
COMPLEMENT: NOT p (sau ~p)
Aceste operaii sunt complete din punct de vedere funcional (pot fi combinate
pentru a obine orice alt operaie logic).
Operaiile logice sunt instrumente de baz n prelucrarea imaginilor deoarece ele
sunt utilizate pentru sarcini ca: mascarea, detecia caracteristicilor ("feature detection")

163

i analiza formelor. Ele sunt executate pixel cu pixel i, la fel ca n cazul operaiilor
aritmetice, pot fi executate "pe loc".
Figura III.2.6.3 prezint cteva exemple de operaii logice pe imagini binare.

Pe lng prelucrarea unor ntregi imagini, pixel cu pixel, operaiile aritmetice i
logice sunt utilizate i n operaii orientate pe o vecinatate. Procesarea pe o vecinatate
este formulat n contextul aa-numitelor operaii cu "masc" - termenii de "tipar"
("template"), "fereastr" sau "filtru" sunt folosii pentru aceeai noiune.
Ideea care st la baza acetui tip de operaii este de a permite ca valoarea unui
pixel sa fie stabilit ca o funcie dependent de nivelul de gri iniial pentru pixelul
respectiv, mpreun cu nivelele vecinilor acestuia.

Figura III.2.6.3. Exemple de operaii logice pe imagini binare. De notat faptul c negrul
reprezint n cazul acesta valoarea logic adevarat (sau 1)

Ca exemplu, s considerm o subimagine (a) n care dorim s nlocuim
valoarea lui z
5
cu media pixelilor dintr-o regiune de 3*3 pixeli centrai n z
5
, adic:
9
1
9 2 1
9
1
...
9
1
i
i
z z z z z


164

z1 z2 z3 w1 w2 w3
z4 z5 z6 w4 w5 w6
z7 z8 z9 w7 w8 w9

(a) (b)

Dac introducem masca de ponderare (b), vom putea nuana importana acordat
valorilor de gri iniiale pentru cei nou pixeli din vecintatea considerat: o nou
valoare a lui z
5
va fi media ponderat:
9
1
9 9 2 2 1 1
....
i
i i
z w z w z w z w z
Situaia precedent (z
5
media aritmetic) se va regsi ca un caz particular n care
ponderile sunt toate egale: w
i
=1/9, i=1,2,...,9.
Geometria imaginilor
Vom prezenta n cele ce urmeaz doar transformri de baz, fr a intra n
probleme legate de transformrile de perspectiv.
Materialul acestei sectiuni urmarete doar s dea o idee general referitoare la
formalizarea unor probleme ca translaia, scalarea sau rotirea imaginilor.
Toate transformrile sunt prezentate n sistemul de coordonate cartezian tri-
dimensional (3-D), n care coordonatele sunt notate cu (X,Y,Z). n mod uzual,
coordonatele (X,Y,Z) se numesc "world coordinates".

Translaia
S presupunem c ne propunem s translatm un punct de coordonate (X,Y,Z)
ntr-o nou locaie utiliznd deplasamentele (X
0
,Y
0
,Z
0
). Translaia va fi realizat
utiliznd ecuaiile urmtoare (cea din dreapta reprezint forma matricial):

X X X
Y Y Y
Z Z Z
*
*
*
0
0
0

X
Y
Z
X
Y
Z
X
Y
Z
*
*
*
1 0 0
0 1 0
0 0 1
1
0
0
0

unde (X
*
,Y
*
,Z
*
) sunt coordonatele noului punct, iar T se numete matrice de
transformare.

Se prefer utilizarea matricilor ptrate:

X
Y
Z
X
Y
Z
X
Y
Z
*
*
*
1
1 0 0
0 1 0
0 0 1
0 0 0 1 1
0
0
0
iar v
*
=Tv

n mod similar se procedeaz pentru alte transformri geometrice (scalarea,
rotirea). Este deseori util s se utilizeze mai multe transformari pentru a se produce un
rezultat compus, de exemplu translaie, urmat de scalare i apoi de rotaie. Utilizarea
matricilor ptrate simplific mult reprezentarea formal a acestui proces deoarece
concatenarea transformrilor se face prin compunerea matricilor i obinerea unei
matrici de transformare unice.

165

Pentru transformrile inverse se determin inversele matricilor de transformare
(inversele matricilor corespunzatoare transformrilor mai complexe se obin prin tehnici
numerice).
2.7. MBUNTIREA IMAGINILOR I EXTRAGEREA UNOR ATRIBUTE
Principalul obiectiv al tehnicilor de mbuntire este acela de a prelucra o
imagine n aa fel ncat rezultatul sa fie mai potrivit dect imaginea iniial pentru o
anumit aplicaie spunem c sunt orientate pe problem ("problem-oriented").
De exemplu, o metoda foarte potrivit pentru mbuntirea imaginilor obinute
cu raze X poate s nu fie cea mai potrivit abordare n cazul imaginilor ecografice sau
n prelucrarea imaginilor transmise de pe Marte.
Abordrile discutate n acest capitol intra n dou categorii largi (analoage
metodelor de la prelucrrile de semnale): metode n domeniul spaial i metode n
domeniul frecvenial.
Domeniul spaial se refer la planul imaginii, iar metodele din aceast
categorie sunt bazate pe manipularea direct a pixelilor din imagine.
Domeniul fecvenial cuprinde tehnicile bazate pe modificarea transformatei
Fourier a imaginii.
n cele ce urmeaz vom aborda doar metode din domeniul spaial.

Metode spaiale
Funciile de acest tip pot fi exprimate ca fiind:
g x y T f x y ( , ) ( , )

unde f(x,y) este imaginea initial
g(x,y) imaginea procesat
T este un operator pe f, definit pe o vecinatate a lui (x,y)

Centrul subimaginii este mutat pixel cu pixel pornind (de exemplu) din colul stnga sus
i aplicnd operatorul T pentru fiecare locaie. Aplicaiile de prelucrri de imagini
utilizeaz tehnici de optimizare care reduc considerabil timpul de prelucrare.

p(x,y)
y
x
p(x,y)

166

(a) (b)
Figura III.2.7.1. Negativul unei imagini o transformare punctual (noua valuare este n
funcie doar de valoarea de gri iniial i nu este influenat de vecini). Prelucrare cu Image-
Pro Plus v.3.0
mbuntirea prin procesare punctual
Transformri asupra intensitii au ca formul general:
s=T(r)
unde r este valoarea de gri iniial, iar s este rezultatul aplicrii operatorului T.
La procesrile punctuale, noua valoare este funcie doar de valoarea de gri iniial i nu
este influenat de vecini.

negativul unei imagini figura III.2.7.1.
ntrirea contrastului ("stretching") figura III.2.7.2.

Figura III.2.7.2. ntrirea contrastului ca transformare punctual (aceeai imagine iniial ca
cea din figura 7.2 a). Imagine prelucrat cu Image-Pro Plus v.3.0
mprirea n plane binare

Figura III.2.7.3. mprirea unei imagini cu 256 nivele de gri n 8 plane binare

167

S presupunem c valoarea fiecrui pixel din imagine este reprezentat pe 8
bii (1 octet). S ne imaginm c imaginea este compus din 8 plane binare (cu valori
reprezentate pe 1 bit) astfel nct fiecare plan conine biii de un anumit rang - de la
planul 0 (cel mai puin semnificativ) la planul 7 (cel mai semnificativ). Figura III.2.7.3
ilustreaz aceast mprire a unei imagini n plane binare numite "bitplanes".
Figura III.2.7.4 prezint o imagine i planele ei binare, ncepnd cu cel mai
puin semnificativ. Observai c doar datele din planele binare de ordin nalt (cele 4-5
plane corespunztoare biilor cei mai semnificativi - planele [3,] 4, 5, 6, 7) conin
informaie perceptibil, celelalte plane conin detalii de subtilitate.

Figura III.2.7.4. Planele binare ale unei imagini i modul cum este distribuit informaia util din imagine
ntre planele de rnd diferit. Imagine preluat i prelucrat cu AIM-Another Image Manager (Universitatea din
Amsterdam)

Procesarea histogramei
Histograma unei imagini digitale cu L nivele de gri (n domeniul [0 , L-1]) este o
funcie discret:
p r
n
n
k
k

r
k
- nivelul de gri de ordinul k, cu k=0, 1,2, ...., L-1
n
k
- numrul de pixeli cu nivelul de gri de ordinul k
n - numrul total de pixeli din imagine

168

Putem spune c histograma p(r
k
) ne d o estimare a probabilitii de apariie a
nivelului de gri r
k
n imaginea studiat.
O reprezentare grafic a acestei funcii ne d o descriere global a aspectului
imaginii. Dei histograma unei imagini este o descriere care nu furnizeaz informaie
privind coninutul concret al unei imagini (figura III.2.7.5 ilustreaz acest lucru), alura
histogramei unei imagini aduce informaie deosebit de preioas privind posibilitatea
mbuntirii contrastului.

(a)

(b)
Figura III.2.7.5. Histograma ne d informaii privind utilizarea nivelelor de gri, nu
coninutul imaginii (imaginea i rsturnata ei au aceeai histogram)
Figura III.2.7.6 prezint histogramele pentru trei tipuri de imagini: o imagine
(a) cu un contrast nu foarte bun (observai aglomerarea nivelelor de gri n centrul
intervalului de valori, lucru deseori acceptabil pentru aplicaii uzuale) i dou
histograme ale unor imagini de slab calitate - una foarte ntunecat (b) i una extrem de
luminoas (c).
O metod de mbuntire bazat pe utilizarea histogramei i larg utilizat
pentru anumite tipuri de imagini este cea de egalizare a histogramei (ilustrat n figura
III.2.7.7), n fapt o egalizare/redistribuire a utilizrii nivelelor de gri n imagine.


169

(a) (b)
(c)
Figura III.2.7.6. Histograme pentru imagini cu un contrast sczut (o utilizare ne-eficient a plajei de gri):
imagine ce utilizeaz doar nivelele de la mijlocul plajei (a); imagine foarte ntunecat (b); imagine foarte
luminoas/splcit (c)
Principiul metodei urmrete o uniformizare a densitii de probabilitate pe
domeniul nivelelor de gri - o repartizare uniform a acestora n domeniul [0,L-1].
Figura III.2.7.7 prezint rezultate obinute aplicnd aceast metod la
prelucrarea unor imagini de pe Marte.

(a)

(b)
Figura III.2.7.7. Efectul egalizrii histogramei informaiile ies la iveal. Histograma (a)
pentru imaginea iniial din stnga arat utilizarea aproape exclusiv a nuanelor foarte
nchise i aa de apropiate pe scara de gri nct sistemul vizual uman nu le poate distinge.
Nivelele de gri sunt redistribuite pe plaja disponibil (b), astfel nct distana dintre dou
valori consecutive crete i ele pot fi percepute ca nuane distincte (imaginea din dreapta).
Imagine preluat i prelucrat cu AIM-Another Image Manager (Universitatea din
Amsterdam)


170

Filtrarea spaial
Filtrele liniare folosesc o "masc" (b) pentru determinarea unei noi valori a
pixelului z
5
din centrul unei vecinti (a) ca o relaie liniar ntre valorile de gri iniiale
z
i
i ponderile w
i
ce exprim relaia dorit ntre pixeli.:
9
1
9 9 2 2 1 1
....
i
i i
z w z w z w z w R

z1 z2 z3 w1 w2 w3
z4 z5 z6 w4 w5 w6
z7 z8 z9 w7 w8 w9

(a) (b)

Filtrele neliniare utilizeaz funcii neliniare pentru determinarea noii valori
din centrul unei vecinti de exemplu, pentru valoarea maxim din centrul unei
vecinti de 3*3 pixeli:
R z k
k
max | , ,...., 12 9

Similar se utilizeaz i alte funcii: valoarea minim, mediana, etc.

Filtre pentru netezire
Acest tip de filtrare este prezentat n figura III.2.7.8 are efect de nceoare i
voalare a contururilor (blurring). De aceea, filtrele de netezire se mai numesc filtre
integrative. n cazul filtrelor liniare, ponderile sunt pozitive la acest tip de filtrare.
Observai c cele trei metode de netezire din figura III.2.7.8 nu dau rezultate
identice pe cele dou imagini: la imaginea cu zgomot uniform, filtrarea median nu pare
s dea rezultate spectaculoase, pe cand la imaginea afectat de zgomot binar filtrarea
median pare cea mai performant. Explicaia se gsete n modul n care este ales
indicatorul tendinei centrale pentru cele dou tipuri de distribuii ale zgomotului (vezi
capitolul de prelucrri statistice).
Aici s-au ilustrat doar situaii simple, n care doar distribuia valorilor
zgomotului difer (distribuie uniform, respectiv binar), utilizndu-se o distribuie
spaial uniform. Prelucrrile devin mai complexe cnd distribuia pixelilor zgomotoi
este neuniform spaial; n acelai timp, valorilor de gri pot urma diverse distribuii, mai
complexe dect cele ilustrate aici.

Filtre derivative
Filtrele derivative utilizeaz mti cu ponderi negative i pozitive care conduc
la o derivare a imaginii, punnd n eviden tranziiile i schimbrile de
comportament ale funciei imagine (detaliile de finee i tranziiile ntre nivelele de gri).
Figura III.2.7.9 prezint rezultatul aplicrii unui filtru de tip gradient (o
derivat de ordinul I), iar figura III.2.7.10 a unui filtru Laplace (o derivat de ordinul
II).


171

(a)
(b) (c) (d)

(e)

(f) (g) (h)

Figura III.2.7.8. Efectul filtrelor de netezire. Imaginile (a) i (e) sunt cele originale, cu
acelai nivel de zgomot adugat n mod uniform din punct de vedere spaial imaginii (a) i
s-a adugat zgomot cu valori ntre 0 i 255 distribuit n mod uniform pe plaja de gri (adic
toate nuanele de gri), n timp ce imaginii (e) i s-a suprapus zgomot binar, de tip sare i
piper (doar extremele de 0 i 255). Filtrele aplicate au fost: netezire uniform n (b) i (f);
netezire Gausiana n (d) i (h); filtrare median n (c) i (g). Imagine prelucrat cu Image-
Pro Plus v.3.0


172

(a) (b)
Figura III.2.7.9. Rezultatul aplicrii unui filtru gradient. Imagine preluat i prelucrat cu
AIM-Another Image Manager (Universitatea din Amsterdam)

(a) (b)
Figura III.2.7.10. Rezultatul aplicrii unui filtru Laplace. Imagine prelucrata cu Image-Pro
Plus v.3.0

Se observ modul diferit de evideniere a muchiilor pentru cele dou tipuri de filtre
derivative (de ordinul I sau II).

Prezentarea unor probleme elementare din prelucrarea imaginilor a avut scopul
de a ajuta la formarea unei idei generale privind problematica domeniului. Totodat,
credem c aceste noiuni de baz vor constitui fundamentul necesar att pentru a putea
alege unele din opiunile oferite de programele de prelucrare, cat i pentru studierea mai
aprofundat a problemelor specifice imagisticii medicale.


173

2.8. STANDARDUL D DI IC CO OM M
D Di ig gi it ta al l I Im ma ag gi in ng g a an nd d C Co om mm mu un ni ic ca at ti io on ns s i in n M Me ed di ic ci in ne e

Standardul DICOM faciliteaz interoperabilitatea echipamentelor de imagistic
medical standardul specific:
un set de protocoale ce trebuiesc respectate de ctre toate echipamentele care
pretind ca sunt conforme standardului
sintaxa i semantica comenzilor, precum i informaia asociat acestor
protocoale
informaiile ce trebuiesc furnizate de ctre echipamentele ce se conformeaz
standardului

Figura III.2.8.1. Datele furnizate de echipamentele de imagistic medical trebuie s se
integreze n circuitul general al informaiei medicale. [DICOM]


174

Scurt istoric
anii 1970 introducerea tomografiei computerizate, urmat de dezvoltarea
altor tehnici de investigare imagistic nevoia unor standarde de transfer a
imaginilor i informaiei asociate acestora ntre echipamentele furnizate de
diveri productori
1983 American College of Radiology (ACR) i National Electrical
Manufacturers Association (NEMA) formeaz un comitet care dezvolt
standardul DICOM (dezvoltat i publicat potrivit standardelor NEMA i n
acord cu directivele ISO/IEC)
Standardul a fost dezvoltat mpreun cu alte organizaii internaionale de
standardizare
CEN TC251 Europa
JIRA Japonia
IEEE
HL7
ANSI - SUA
1988 DICOM versiunea 2
2001 DICOM versiunea 3 (publicat de NEMA).

Standardul DICOM v.3 este aplicabil n reele (respect protocoalele standard de reea
OSI i TCP/IP) realiznd interoperabilitatea complet ntre sistemele conectate n reea
(figura III.2.8.2).

Figura III.2.8.2. Standardul DICOM permite conectarea echipamentelor de imagistic
medical n reea i interoperabilitatea cu celelalte echipamente medicale. [DICOM]


175

DICOM versiunea 3:
specific clar clasele de servicii, semantica comenzilor i tipurile de date
modul n care trebuie s reacioneze dispozitivele care pretind c respect
standardul
specific nivele de conformare cu standardul
are organizare modular se pot aduga noi faciliti
introduce n mod explicit Information Objects nu numai pentru imagini i
grafic, ci i pentru studii, rapoarte, etc.
precizeaz tehnica pentru identificarea neambigu a relaiilor dintre diferitele
informatii (Information Objects) din reea.

Figura III.2.8.3. Standardul DICOM are organizare modular i ofer flexibilitate, conectnd
n mod natural imaginile cu celelate informaii medicale. [DICOM]

Mai multe informaii se pot afla de pe diferite site-uri specializate o bun surs este
Penn State Radiology.


176

I. Bankman. Handbook of medical imaging. Processing and analysis management.
Academic Press, San Diego, 2000
DICOM. Digital Imaging and communications in Medicine: http://medical.nema.org/
RC Gonzalez, RE Woods. Digital Image Processing (2
nd
ed.). Prentice Hall,
Englewood Cliffs, NJ, 2002
National Library of Medicine. The Visible Human Project:
www.nlm.nih.gov/research/visible/visible_human.html
Penn State Radiology: http://www.xray.hmc.psu.edu/physresources/dicom/
O. Popescu (ed). Informatica medicala. Editura Medicala, Bucureti, 1988


177

Partea a IV-a
D DE EC CI IZ ZI IA A M ME ED DI IC CA AL L
A AS SI IS ST TA AT T D DE E C CA AL LC CU UL LA AT TO OR R


178


179

INTRODUCERE
Asistm azi la extinderea utilizrii calculatoarelor n cele mai diverse domenii,
medicina fiind un domeniu vizat nc de la apariia primelor calculatoare. Atracia pentru
medicin nu este ntmpltoare: informaticienii primelor generaii de calculatoare simeau
nevoia de a demonstra universalitatea aplicaiilor i doreau exemple n afara granielor
tradiionale ale disciplinelor "exacte" n care formalizarea matematic las s se ntrevad
uor aplicaiile. Pentru un nespecialist, activitatea medicului la stabilirea diagnosticului pare
un simplu proces de asociere a unui termen, numit "diagnostic", cu un set de elemente
numite "simptome". n primele programe de diagnostic asistat s-a procedat similar, ns
rezultatele obinute au fost deosebit de modeste. La o analiz mai atent se poate vedea c
nici nu se puteau atepta rezultate mai bune ntr-o viziune att de simplist. Multe semne nu
pot fi ncadrate ntr-o logic bivalent, nu toate semnele apar cu necesitate, nu toate au
aceeai valoare n stabilirea diagnosticului; n plus, exist frecvente complicaii sau asocieri
care fac ca mulimea diagnosticelor s fie greu de definit. Peste toate acestea s-a adugat i
constatarea c raionamentul medicului se deosebete substanial de raionamentul liniar
deductiv-exclusiv, fiind considerat oarecum mai apropiat de procesul de recunoatere.
Actualmente raionamentul medical se gsete sub lupa specialitilor n inteligena
artificial i reprezentarea cunotinelor, ca i a celor interesai n tiine cognitive. S-a
progresat foarte mult n aceast direcie, cadrul de dezvoltare, mult mai larg dect cel
strict limitat la "diagnosticul asistat", fiind oferit de logica matematic, ce permite
formalizarea cunotinelor n general. Apariia limbajelor logice - de exemplu PROLOG - a
deschis efectiv un nou mare capitol al informaticii medicale: "decizia medical asistat de
calculator", care alturi de aplicaiile privind prelucrarea semnalelor i imaginilor, bazele de
date i sistemele informatice medicale, biostatistic i modelarea proceselor biologice,
constituie domenii care i schimb ncetul cu ncetul statutul din domenii de vrf n
domenii de rutin. Ritmul ridicat n care apar noi programe n aceste discipline face ns ca
s fie tot mai dificil de inut pasul cu noutile mai ales cnd ele cu greu i fac loc n
programele tradiionale ale nvmntului medical.
Aplicaiile practice privind asistarea deciziei medicale nu s-au limitat la cele
privind diagnosticul asistat, acoperind i alte aspecte. Putem distinge astefel urmtoarele
direcii:
a) diagnostic asistat
b) alegerea investigaiilor
c) optimizarea tratamentului
d) asistarea deciziei n managementul sanitar.

Vom analiza pe rnd aceste aspecte, tratnd mai detaliat aplicaiile n domeniul
diagnosticului asistat.

180

1. DIAGNOSTICUL ASISTAT DE CALCULATOR
1.1. CLASIFICAREA METODELOR DE DIAGNOSTIC
Rezultatele modeste ale primelor programe de diagnostic "automat" (denumire la
care actualmente s-a renunat) nu au determinat ns o a abandonare a temei, ci tocmai o
cretere a eforturilor de analiz aprofundat a raionamentului medical, cu ecou pn la
dezvoltarea unor abordri teoretice de finee. Se pot distinge trei direcii principale de
studiu:
mbuntirea metodelor logice prin care s-a pornit iniial abordarea diagnosticului
asistat
elaborarea unor metode statisticeadecvate, conducnd pn la teoria clasificrii
formalizarea cunotinelor medicale n forma lor euristic, cu scopul direct declarat de
simulare a raionamentului medical, conducnd la elaborarea sistemelor expert.
n continuare vom prezenta stadiul actual al cercetrilor n acest domeniu i vom
sistematiza metodele abordate, dei unele metode au caracter hibrid i sunt greu de
clasificat. Totodat, prezentarea se va face evitnd abordarea teoretic, ncercnd a expune
ntr-o manier descriptiv cele mai importante direcii de dezvoltare a "diagnosticului
asistat de calculator".
1.2. FORMALIZAREA OPERAIUNII DE STABILIRE A DIAGNOSTICULUI
Operaiunea de stabilire a diagnosticului poate fi privit ca rezultatul confruntrii
comparative de ctre medic a dou fluxuri de informaie:
- informaii privind starea pacientului, obinute att prin dialog direct (anamnez) ct i prin
diverse investigaii (laborator, radiografii, explorri funcionale etc.): ansamblul acestor
informaii, cu valori concrete pentru pacientul investigat (simptome) le numim date.
- informaii pe care medicul le posed (din pregtire, din experiena clinic, din materiale
documentare etc.) i pe care le numim cunotine, cuprind o multitudine de relaii ntre
simptome i diagnostice.
Operaiunea de stabilire a diagnosticului este prezentat schematic n fig. IV.1.

Figura IV.1. Reprezentarea schematic a fluxurilor informaionale n operaia de stabilire a
diagnosticului

Realizarea unor programe de calculator pentru "diagnostic asistat" trebuie s
urmreasc deci confruntarea celor dou fluxuri de informaii:

PACIENT DATE MEDIC Diagnostic

Investigaii Cunotine

- pregtire
- experien clinic
- documentare


181

- cunotinele din domeniu, care formeaz un ansamblu numit baza de cunotine
(BC)
- datele despre pacient, anasamblu numit i vectorul de stareal pacientului
(PAC).
Metodele de diagnostic enumerate mai sus se deosebesc ntre ele prin modul n
care este construit baza de cunotine, modul de culegere (reprezentare) a datelor
pacientului i modul de confruntare date-cunotine (raionament).
S le abordm pe rnd.
2. METODE LOGICE
2.1. BAZA DE CUNOTINE
Metodele logice folosesc drept baz de cunotine o matrice boli/simptome (Tabel
IV.1).

Tabel IV.1. Structura bazei de cunotine pentru metodele logice n diagnosticul asistat
Simptome
Diagnostice
S
1
S
2
S
3
... S
m

D
1
(Hipertiroidism) 0 1 0(n) 1
D
2
(Hipertensiune) 1 0 1 0(n)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
D
n
(Angin pectoral) 1 1 0 0(n)
D
1
, D
2
... D
n
reprezint diagnostice iar S
1
, S
2
... S
m
reprezint simptome. Ex: S
1
= hipertrofie
ventricular stng, S
2
= palpitaii, S
3
= cefalee,... S
m
= exoftalmie

Matricea este construit pe baza logicii bivalente (de unde i denumirea de metode
"logice"), valoarea "1" reprezentnd prezena simptomului n diagnosticul respectiv, iar
valoarea "0" absena. (n variantele mai noi se utilizeaz i "n" cu semnificaia "nu are
importan", adic prezena/absena simptomului respectiv este nerelevant pentru acel
diagnostic).
Coninutul acestul tabel este realizat prin contribuia unui grup de experi i este
reprezentat n program sub forma unei matrici, fiecare element din matrice fiind
caracterizat prin doi indici: unul referitor la boal, cellalt la simptom.
2.2. VARIANTE DE METODE LOGICE
n metodele logice vectorul de stare al pacientului este format dintr-un ir de
valori corespunztoare tuturor simptomelor existente n baza de cunotine. La lansarea
programului vectorul PAC conine "0" n toate csuele.
Dup modul de construcie al vectorului de stare al pacientului distingem dou
variante mai nsemnate de metode logice.

182

a) Tabele de adevr
Simptomele sunt clasificate i prezentate pe mai multe pagini de ecran. De obicei
selecia se efectueaz prin deplasarea pe ecran a unui cursor pn la simptomul ales i
apsarea unei taste de selecie (de obicei "Enter"); se deplaseaz apoi cursorul pe alt
poziie i aa mai departe. Pentru simptomele selectate vectorul de stare al pacientului va
conine "1", restul csuelor rmnnd "0". Majoritatea programelor menin cel puin o
linie "menu" n tot timpul rulrii pentru precizarea modului de lucru n secvena
corespunztoare din program.
b) Arbori de decizie
Pentru o apropiere mai mare de clasica anamnez, n loc de selectarea de pe ecran
a simptomelor, programul afieaz succesiv ntrebri privind prezena / absena unor
simptome, solicitnd rspuns de tip da/nu. n cazul unui rspuns pozitiv, n vectorul de stare
al pacientului apare "1" n poziia simptomului respectiv.
Varianta "arbori de decizie" impune alegerea succesiunii ntrebrilor n funcie de
rspunsurile primite, evitarea ntrebrilor inutile. (de ex. ntrebri despre sarcin la un
brbat etc.). Se apreciaz c prin utilizarea arborilor de decizie, lsnd pacientul nsui s
rspund la unele ntrebri se poate obine o mai puternic implicare a sa, cu rezultate
pozitive n tratament.
2.3. PREZENTAREA REZULTATELOR
Indiferent de varianta prin care se construiete vectorul de stare al pacientului, n
continuare acesta este comparat cu fiecare linie a matricii boli/simptome i se calculeaz
cte din simptomele caracteristice bolii respective sunt prezente la pacient. De exemplu,
dac boala D
1
are 8 simptome caracteristice (8 valori notate cu "1" n BC), iar pacientul
nostru prezint 6 dintre acestea, atunci procentul de simptome ale bolii D
1
prezente la
pacient este 6/8 = 75%.

Prezentarea rezultatului poate fi efectuat n mai multe feluri:
a) prin enumerarea tuturor diagnosticelor n care apar semnele pacientului, n lista
afiliat diagnosticele sunt ordonate dup numrul de simptome care coincid;
b) prin calcularea unui procent de coincidene i ordonarea diagnosticelor dup
acest procent;
c) prezentarea pentru fiecare diagnostic din lista-rezultat nu numai a numrului de
simptome coincidente, ci i a simptomelor care ar mai fi ateptate pentru un tablou clinic
clasic complet;
d) varianta anterioar mbuntit ar include elemente de diagnostic diferenial
sugerate;
e) prezentarea alturi de fiecare diagnostic din lista-rezultat a unor indicaii
terapeutice.
2.4. DEZAVANTAJELE METODELOR LOGICE
Metodele logice, datorit simplitii lor prezint o atracie pentru utilizatori, mai
ales metoda tabelelor de adevr care permite i o rulare operativ. Totui, simplificrile,
uneori excesive, restrng utilitatea practic mpingnd aplicaiile preponderent n sfera
nvmntului medical. Obieciile ce pot fi aduse se refer mai mult la dou aspecte:
- logica bivalent de genul "simptomul este prezent/absent" exclude factorul
intensitate; ntr-adevr, o serie de simptome pot fi apreciate ca avnd diferite intensiti (ex:
febr ridicat/ moderat/ uoar sau parametri exprimabili numeric)

183

- ponderea simptomelor n aprecierea unui diagnostic nu este egal (de ex:
concentraia sczut de hemoglobin este un indicator mai puternic pentru anemie dect
paloarea)
- nu toate simptomele apar cu necesitate; exist numeroase forme atipice sau
asimptomatice
- metodele logice nu iau n considerare "prevalena" afeciunilor (acest aspect
deseori nu reprezint un dezavantaj ci chiar un avantaj, sugernd i posibilitatea unei
afeciuni mai rare).
Corectarea acestor neajunsuri a impus dezvoltarea unor metode ce depesc
cadrul logicii bivalente i care vor fi prezentate n continuare.
3. METODE STATISTICE. REGULA LUI BAYES
3.1. ASPECTE STATISTICE N RAIONAMENTUL MEDICAL
O caracteristic esenial a domeniului medical este faptul c majoritatea
aspectelor ntlnite au un aspect probabilistic: rareori putem folosi termenii "ntotdeauna"
sau "niciodat", dar ne ntlnim frecvent cu termenii "adesea", "uneori", "rareori". Expresia
probabilistic a terminologiei medicale este uneori acoperirea lacunelor cunotinelor
disponibile care fac deocamdat imposibil dihotomia necesar nlturrii unor ambiguiti,
dar trebuie s fim permanent contieni de caracterul statistic intrinsec al multor fenomene
biologice, caracterul statistic fiind prezent nc de la nivel molecular, aa c ecoul la nivel
macroscopic nu este surprinztor. Abordarea probabilistic n medicin este un mod de
gndire impus nc din faza de formare a viitorului medic, chiar dac deocamdat este
limitat n bun parte la utilizarea terminologiei "vagi" i mai puin la gndirea statistic
propriu-zis. Faptul c aspectul probabilist este fundamental n gndirea medical a
determinat dezvoltarea metodelor statistice de decizie medical asistat, fiind nucleul unor
metode care au depit cadrul statistic propriu-zis.
Abordarea statistic poate fi recomandabil i n situaii n care caracterul
intrinsec al aspectului nu este statistic, cum ar fi exprimarea intensitii unui simptom sau
ponderea simptomului pentru un anumit diagnostic.
Abordrile statistice s-au orientat n dou direcii principale:
- regula lui Bayes
- pattern recognition.
3.2. REGULA LUI BAYES
Punctul de plecare al metodelor numite "bayesiene" l constituie faptul c prezena
unui simptom ntr-o boal poate fi dat cu o anumit probabilitate p(s+/b+), element
fundamental deosebit de metodele logice n care simptomul putea fi doar prezent sau
absent.
De asemenea, un simptom poate fi prezent n mai multe boli, deci se poate stabili
o probabilitate de a gsi simptomul ntr-o populaie, p(s+), indiferent de bolile cu care se
asociaz. Nu trebuie s uitm i faptul c frecvena bolilor ntr-o populaie poate fi
caracterizat printr-o probabilitate p(b+). Deci ntlnirea unui simptom trebuie s ne
sugereze posibilitatea unei boli cu o probabilitate p(b+/s+) dependent de probabilitile
enumerate anterior.

Putem calcula ponderea simptomului s pentru diagnosticul bolii b dup formula:

p(b+/ s+) = p(s+/ b+) p(b+)/ p(s+) (IV.1)

cunoscut sub numele de "regula lui Bayes". Probabilitile din membrul drept se consider
cunoscute pentru un anumit teritoriu ntr-un anumit moment. Ele ar putea fi cunoscute

184

printr-o analiz populaional (screening) sau prin evaluarea datelor de morbiditate pentru
p(b+) i din aprecierile unor experi pentru p(s+/b+) i p(s+). Literatura de specialitate
apreciaz c deocamdat ultimele dou probabiliti, n special p(s+), sunt cunoscute destul
de aproximativ, limitnd sau ngreunnd aplicabilitatea metodei.

Tabel IV. 2. Tabel ilustrnd frecvenele cu care poate s apar ntr-o populaie o
anumit boal b i relaia ei cu simptomul s; tabele similare trebuie concepute pentru orice
pereche b-s. n dreapta sunt prezentate ca exemplu probabilitile necondiionate p(s+) i
p(b+) i condiionate p(s+/b+), din care se va calcula p(b+/s+)

s + s -
b +
b -
a b
c d
L1
L2
p(s+) = C1/N
p(b+) = L1/N
p(s+/b+) = a/L1
C1 C2 N p(b+/s+)=a/C1

De exemplu, s lum o situaie ce ar putea aprea la analiza fielor unui eantion
de 4000 de indivizi. Dorim realizarea unui tabel ca tabelul IV.3 pentru o anumit boal (s
zicem b = "viroz") i un anumit simptom (s zicem s = "febr"). Din cei 4000 indivizi, n
cursul anului precedent s-a semnalat prezena virozei la 100 de persoane; dintre acestea
numai 80 au prezentat febr. De asemenea mai putem gsi c febra a fost semnalat i la
alte 70 de persoane care nu au avut viroz (dar poate au avut pneumonie, bronit etc.).
Trebuie subliniat c cele 3900 persoane care nu au avut viroz nu sunt presupuse sntoase,
cuprinznd att persoane sntoase ct i persoane cu alte diagnostice; n tabelul nostru
conteaz aici numai proprietatea "nu au avut viroz (b-)".

Tabel IV.3 Exemplu pentru ilustrarea regulii lui Bayes

s + s -
b +
b -
80 20
70 3850
100
3900
150 3850 4000

Relund cele expuse: n total au avut viroz 100 de persoane din 4000, adic
p(b+) = 100/4000; au avut febr 150 din 4000, adic p (s+) = 150/4000 etc. Aceste
probabiliti (p(b+), p(b-), p(s+), p(s-)) se numesc probabiliti necondiionate, toate acestea
avnd la numitor numrul total al indivizilor (N=4000).
n cazul n care facem referire numai la o parte dintre ei (de ex. dintre cei care au
avut viroz), atunci obinem probabiliti condiionate. Iat un exemplu: din cei 100 care au
avut viroz, 80 au prezentat febr, adic p(s+/b+) = 80/100; similar putem scrie orice
probabilitate condiionat; alt exemplu: din cei 3850 care nu au febr, 20 au avut viroz,
adic p(b+/s-) = 20/3850. De obicei, o probabilitate condiionat, de exemplu (p(b+/s-), se
citete "probabilitatea ca un individ s aibe viroz (b+) dac el nu are febr (/s-)".
Cnd avem la dispoziie un astfel de tabel putem calcula direct p(b+/s+), dar de
obicei astfel de tabele nu sunt disponibile. De aceea folosim regula lui Bazes n care
nlocuim p(b+), p(s+) i p(s+/b+) considerate din estimri n funcie de acestea dou
(p(s+)). Putem astfel calcula: p(b+/s+) = 80/150. Aceast probabilitate reprezint pentru
programele de diagnostic asistat un element important deoarece ea arat ct de mult

185

contribuie faptul c un individ prezint "febr" pentru a nclina spre diagnosticul de
"viroz".
Pentru a stabili probabilitatea de a avea o anumit boal, trebuie s construim cte
un tabel de genul tabelului III.3 pentru fiecare simptom; de fapt se construiesc tabele doar
pentru simptomele caracteristice dei actualmente dispunem de un numr relativ sczut de
date concrete.
Principial, termenii sunt accesibili, astfel nct i putem considera pentru moment
cunoscui. Dac am dispune de baze de date suficient de bogate, aceti termeni ar putea fi
calculai. Avem deci o evaluare a ponderilor simptomelor cu care am putea estima
probabilitatea unui anumit diagnostic; cteva simptome cu ponderi ridicate ar conduce la
un diagnostic foarte probabil. Din pcate, se mai impune o regul: pentru ca aceste ponderi
s fie combinate pentru mai multe simptome, este necesar ca simptomele s fie
independente; ori, este cunoscut faptul c, foarte frecvent simptomele sunt corelate nu
ntmpltor, ci printr-o interdependen cauzal; utilizarea simultan a unor simptome
puternic corelate conduce la creterea artificial a probabilitii unui diagnostic. Pentru
evitarea acestor situaii se pot aplica teste de independen (
2
= ptrat) din care se pot
elimina simptomele redondante.
Cu toate dificultile sale, regula lui Bayes a impus un punct de vedere mai realist,
introducnd i o disciplin n elaborarea metodelor de diagnostic asistat.
4. PATTERN RECOGNITION
4.1. PRINCIPIUL METODEI PATERN RECOGNITION
Am pstrat denumirea original a metodei deoarece traducerea uzual ca
"recunoaterea formelor" este nepotriviti, mai ales n contextul diagnosticului asistat.
Termenul de "pattern" trebuie neles ca un set de atribute caracteristice, neavnd aici
sensul de form. Dei este o metod cu caracter statistic, principiul aplicrii sale este
fundamental diferit de cel al regulii lui Bayes.
Metoda "pattern recognition" face un pas nsemnat spre apropierea de
raionamentul medicului. Suntem de fapt obinuii cu operaiunea de recunotere pe care o
utilizm frecvent; recunoatem o persoan ntr-o fotografie, recunoatem o voce, un mers,
un obiect, o stare de spirit a unei persoane etc. Pe ce ne bazm n aceste recunoateri?
Analiza procesului de recunoatere st la baza metodei pe care o descriem n continuare.
Orice sistem sau obiect poate fi caracterizat printr-o imensitate de caracteristici
exprimabile cantitativ sau calitativ care formeaz o mulime a proprietilor, M. De
exemplu, pentru o persoan aceast mulime ar cuprinde: nlimea, greutatea, vrsta, sexul,
frecvena cardiac, tensiunea sistolic, tensiunea diastolic, glicemia, proteinemia,
proteinuria, pH-ul sanguin, numrul de respiraii pe minut, indicele de memorie etc., etc.
Unele mrimi nu se modific (sexul, nlimea la adult), altele se modific lent (greutatea),
altele au variaii dependente de starea organismului (frecvena cardiac).
Deci valorile proprietilor trebuie privite dinamic.
Indivizii (sau obiectele) unei populaii pot fi mprii n clase dup diferite
criterii; de exmplu: dup sex se mpart n brbai i femei; dup vrst: copii i aduli fiind
posibil a diviza fiecare clas n subclase (ex: aduli tineri, maturi i vrstnici). Criteriile de
includere a unui obiect ntr-o clas sunt convenionale; totui, foarte multe "convenii" au
intrat n viaa de zi cu zi astfel nct de cele mai multe ori putem realiza clasificri fr a
cunoate exact valorile numerice ale parametrilor implicai. Clasificrile pomenite au apelat
la cte o singur proprietate, sexul, respectiv vrsta.

186

Este cazul s facem dou observaii:
- prima: din larga paleta de caracetristici, o bun parte nu au putere de
discriminare, avnd valori variind pe plaje similare pentru toate clasele (de ex: glicemia nu
are putere de discriminare pentru stabilirea sexului sau a vrstei; ea devine ns o
proprietate important la definirea clasei diabeticilor).
- a doua observaie: indivizii din clase diferite se deosebesc prin mai multe
caracteristici (de ex: valorile "normale" la femei sunt diferite de cele la brbai pentru destul
de muli parametri; la fel, putem urmri variaia unor valori "normale" cu vrsta); totui
pentru definirea unei clase nu apelm la toate deosebirile, mulumindu-ne cu un numr
redus de parametri, destul de des chiar cu unul singur, cum au fost clasificrile date ca
exemplu pn acum.

Figura IV.2. Reprezentarea n spaiul greutate nlime
Exist ns situaii n care clasele nu pot fi definite dup un singur parametru; de
exemplu putem mpri indivizii n: "obezi", "normali" i "caectici". Observm imediat c
greutatea nu este un parametru suficient; un individ cu greutatea de 75 kg pare obez la
nlimea de 1,55 i slab la 1,95. Trebuie deci s definim clasele lund n considerare i
nlimea. n asemenea situaii se obinuiete s se fac reprezentri ntr-un sistem de
coordonate avnd pe axe cei doi parametri numit spaiul strilor. ntr-un astfel de spaiu un
individ este reprezentat printr-un punct. (fig.IV.2.)
Aprecierea aparteneei la o clas sau alta se poate face pe diferite criterii. n
exemplul acesta apartenena la o clas dup aspectul fizic conduce la o clasificare cu
sensibilitate i specificitate destul de bun, dei din punct de vedere medical este
considerat nesatisfctoare. Cnd criteriul de clasificare nu utilizeaz pentru definirea
claselor valorile parametrilor folosii, spunem c avem un clasificator independent; dac
depinde exclusv de parametrii utilizai atunci avem un clasificator formal, iar dac
folosete numai unii din parametrii de reprezentare, eventual mpreun cu ali parametri
(adesea calificativi), atunci l numim clasificator parial dependent.
n cazul clasificatorilor formali mprirea n clase este definit prin relaii, cel mai
adesea empirice, limitele dintre clase fiind convenionale i deci oferind subiect de dispute.
Este i cazul exemplului dat n care domeniul greutilor acceptabile se definete n funcie
de greutatea normal (sau ideal), care este dat de o relaie de genul (IV.2):
m
i
= (h-100) - (h-159)/4, [h n cm, m n kg] (IV.2)
n jurul acestei drepte, ntr-un interval cu limea de 15% se consider greuti acceptabile,
cei cu greuti mai mari dect 1,15 m
i
fiind numii supraponderali, iar dac depesc

187

greutatea ideal cu peste 20% sunt numii obezi; similar se definesc clasele de
subponderali, respectiv caectici.

Figura IV.3. Caracterizarea undelor EEG ntr-un spaiu bidimensional: frecven -
amplitudine. Sunt ilustrate zonele undelor tipice (o.i. = ochii nchii, od = ochii deschii),
, , , complexele vrf-und din descrcri epileptice (ep.) i undele din faza de somn
"Rapid-Eye-Movement" (REM)
Cele mai interesante reprezentri apar n cazul clasificatorilor independeni sau
parial dependeni, situaii n care delimitarea dintre clase nu mai este bine deifint i n
practic putem ntlni i zone de intersecie (mulimile nu sunt disjuncte). n fig. III.3 am
reprezentat undele EEG tipice n spaiul amplitudine-frecven cu un clasificator parial
dependent. Ne putem imagina i o reprezentare cu un clasificator independent, de exemplu
lund 3 loturi: un lot de sportivi, unul de indivizi sntoi nesportivi i un lot de astmatici i
s-i reprezentm ntr-un sistem de coordonate, s zicem capacitate vital - VEMS (volum
expirator maxim pe secund). Clasele se vor suprapune parial ns pentru fiecare grup va
exista zona sa de dominan. n metoda "pattern-recognition" aplicat diagnosticului asistat
clasificatorul este cel mai adesea parial dependent sau independent, muli dintre parametrii
utilizai fiind calitativi, deci fr posibilitatea de a fi plasai pe axe.
Problema principal care se pune este ca, avnd la dispoziie ansamblul de date,
cantitative i calitative att pentru loturi de pacieni grupai pe diagnostice ct i pentru
loturi de control (normali), s gsim cel mai potrivit sistem de axe de coordonate care ne
permite s reprezentm loturile prin regiuni ct mai compacte i, dac este posbil, ca
acestea s fie disjuncte; aceast faz se numete "selecia atributelor". Dup ce s-au gsit
parametrii potrivii se calculeaz domeniile lor de variaie pentru fiecare clas, definindu-se
regiunile din spaiu ale claselor, etap numit "nvare supervizat". n aceast faz
calculatorul este aproape gata s stabileasc diagnosticul unui pacient reprezentndu-l n
spaiu i gsind n ce domeniu, din cele definite anterior, se gsete. Un ultim aspect care ar
mai trebui rezolvat se refer la criteriul dup care lum decizia de apartene la o clas, deci
mai este necesar etapa de definire a unei funcii de decizie. Toate aceste etape au un suport
matematic solid i au fost prezentate sumar n capitolul de prelucrare a semnalelor
biologice. Acum nu ne oprim n detaliu la aceste aspecte, trecnd doar rapid n revist
elementele eseniale ale fiecrei etape.

188

4.2. ETAPELE APLICRII METODEI PATTERN RECOGNITION.
CLASIFICAREA METODELOR
a) Alegerea atributelor ("feature selection")
Cel mai important aspect n recunoaterea unui pattern ns i cel mai mult
discutat este cel referitor la alegerea atributelor cu putere real de descriminare a
claselor. Din imensitatea de mrimi caracteristice ale unui obiect sau individ (R),
reinerea celor mai "importante" caracteristici poate fi legat de ndeplinirea unor
condiii pentru fiecare atribut selectat:
- s aibe o variabilitate mic n interiorul claselor (minimizarea "distanelor"
intraclas)
- s ofere o discriminare satisfctoare ntre clase (maximizarea "distanelor"
interclase).
S-au propus o serie de metode pentru optimizarea selectrii aributelor, bazate pe
transformri de coordonate, fie rotaii, fie introducerea unor ponderi. Se ncearc i gsirea
unor noi variabile prin "combinarea" caracteristicilor iniiale, ns numrul acestor
combinaii este tot foarte mare. Rezultatele care se obin sunt satisfctoare pentru aplicarea
practic, matematicienii fiind mai curnd nemulumii nu de rezultate ci de absena unui
criteriu nediscutabil de optimizare. Trebuie s mai menionm c, dup depistarea
caracteristicilor eligibile, se verific i gradul de corelaie ntre ele; n cazul unor corelaii
puternice ntre dou caracteristici se pstreaz numai una, informaiile aduse de cealalt
fiind redondante. Se ajunge n final la selectarea unui numr deosebit de sczut de atribute
(N<<R) care pstreaz (uneori chiar mbuntesc) capacitatea de discriminare ntre clase.

b) nvarea supervizat. Definirea criteriului de clasificare
n faza de alegere a atributelor am ajuns la precizarea n spaiul cu N dimensiuni a
poziiei fiecreia din cele K clase; spunem c am realizat o "nvare" supervizat - la fel
cum fiecare persoan de fapt trebuie nti s nvee pentru a putea apoi realiza o
recunoatere. S presupunem c mprirea n clase a fost realizat conform graficului din
fig.IV.2, separarea ntre clasele notate O, N i S fiind dat de liniile de 15%. Introducnd
acum datele unui individ despre care nu tim n ce clas face parte, el va aparine unei
regiuni deci poate uor fi inclus ntr-o clas i - important - putem face clasificarea chiar
fr a mai efectua celelalte calcule. Principii similare stau la baza construciei
nomogramelor dac numrul de variabile este sczut. Trebuie menionat totui c acest gen
de clasificare este posibil numai dac ansamblul claselor umplu ntregul spaiu, deci cnd
separarea ntre clase se face prin plane (sau suprafee curbe) n spaiul cu N dimensiuni
(hiperplane).
Exist cazuri n care regiunea unei clase nu este definit printr-o relaie ce ne
permite extinderea sa, ea fiind restrns la spaiul delimitat de valorile din setul de nvare
(ca de ex. n fig.IV.3); astfel de situaii apar mai ales cnd criteriul de clasificare este extern
- independent sau parial dependent. n aceste situaii este posibil s ntlnim obiecte
(indivizi) care nu aparin nici unei clase ntlnite anterior. ncadrarea sa ntr-o clas se poate
face n funcie de "apropierea" de una din clase, deci trebuie s alegem un criteriu
geometric i s msurm distana de la obiectul nostru pn la clasele definite (s-au propus
variante de distane: pn la "centrul" clasei sau pn la suprafaa clasei).
n msurarea distanelor ntr-un spaiu multidimensional apare o problem
deosebit: mrimile de pe axe au - aproape ntotdeauna - uniti de msur diferite, fiind
deci incomparabile! O soluie este "normalizarea" lor obinut cel mai adesea prin
transformarea tuturor mrimilor n procente: se alege pentru fiecare mrime o referin (fie
valoarea maxim, fie cea medie, fie derivaia standard etc.) i se transform toate datele n
procente fa de referin. Aceast operaiune se face de fapt nainte de selecia atributelor,
fiind util i n faza respectiv.
Deci ntr-un spaiu normalizat putem compara distanele i vom putea stabili un
criteriu dup care s clasificm orice obiect cnd sunt cunoscute caracteristicile claselor.
Reguli de acest gen se pot aplica i n cazul claselor definite prin clasificatori formali.


189

c) nvare nesupervizat. Metoda gruprii
Sistemul descris anterior, de nvare supervizat, presupune o cunoatere apriori
a claselor, deci n faza de nvare se ntroduc n calculator, pe lng toate mrimile culese
despre obiect, i informaii privind clasa creia i aparine. n aceste situaii calculatorul este
folosit numai pentru a categorisi obiecte introduse ulterior n calculator n aceste clase.
Avem ns posibilitatea de a urmri modul n care sunt distribuite punctele, care
reprezint obiectele (indivizii), ntr-un spaiu multidimensional fr a defini de la nceput
nici un fel de clase. n cazul n care gsim regiuni de concentrare a punctelor ("clusters"),
putem defini clase n jurul lor. Spunem n acest caz c avem o nvare nesupervizat,
clasele nefiind definite apriori ci fiind "descoperite" de calculator.
Metoda "pattern recognition", dei are unele caliti prin care depete substanial
alte metode de diagnostic asistat, nu are o rspndire prea larg datorat numrului mare de
parametri ce trebuie culei n faza iniial precum i numrului foarte mare de calcule
necesar pentru optimizri i decizii, ceea ce a impus de la nceput utilizarea unor
calculatoare performante, accesibile doar n centrele mai importante de cercetare. Se poate
remarca totui o cretere a numrului de aplicaii n ultimul timp, n ciuda concurenei
puternice a metodei ce o vom descrie n continuare - sitemele expert.
5. ELEMENTE DE LOGIC
Metodele expuse pn acum, cu performane mai ridicate sau mai modeste, sufer
toate de un neajuns: utilizeaz un format de exprimare diferit de cel curent al medicilor. n
practica uzual informaia se transmite prin propoziii, iar raionamentul medical se
construiete prin operaii cu aceste propoziii. Pare deci ct se poate de natural ca cele mai
agreate metode de diagnostic asistat s-au dovedit cele pe care le numim "euristice" (l. gr.
heuriskein - a descoperi) n care poziia central o ocup sistemele expert. n aceste metode
att baza de cunotine ct i vectorul de stare al pacientului se exprim prin propoziii, cu
care se efectueaz operaii logice. Vom prezenta n continuare sintetic cteva noiuni
fundamentale de logic.
5.1. NOIUNI GENERALE
a) Propoziia
n viaa curent ideile noastre se transmit prin propoziii ce exprim proprietile
unor obiecte, cauzele unor evenimente, sau exprim ntrebri, dorine, porunci etc. Putem
deci clasifica propoziiile n cel puin 3 clase mari:
propoziii cognitive = nsuiri ale obiectelor, cauzele unor evenimente
propoziii interogative = ntrebri
propoziii imperative = ordine, dorine.

Ex. Asmul bronic este o boal a aparatului respirator este o propoziie cognitiv..
Numai propoziiile cognitive au asociat o valoare de adevr, adic o propoziie
poate fi:
adevrat (A sau 1)
fals (F sau 0)
nesigur (?).
b) Forma logic
Exprimarea ideilor se realizeaz n cadrul unor scheme, cu diferite grade de
complexitate pe care le numim forme logice. Am ntlnit deja o form logic: propoziia. O
propoziie este de fapt aplicarea unei operaii logice (de ex. afirmaia) asupra unor forme

190

logice mai simple, numite noiuni. n exemplul de mai sus am utilizat dou noiuni: asmul
bronic, respectiv boal a aparatului respirator. Prima (asmul bronic) reprezint obiectul
gndirii i n propoziie se va numi subiect logic, notat cu S iar a doua noiune (boal a
aparatului respirator) red ce se spune despre subiect i se va numi predicat logic, notat
cu P. Operaia care leag aici S i P este afirmativ i putem nota formula general a unei
propoziii afirmative:

S este P

Pentru o propoziie negativ formula general este:

S nu este P

Ex. Astmul bronic nu este boal infecioas

Pe lng formele logice simple menionate deja - noiunea i propoziia - exist i
o form logic mai complex, inferena, care cuprinde mai multe propoziii; unele numite
premise din care construim o propoziie derivat numit concluzie. Ex.:

Premise: - Hemoragia duce la scderea masei eritrocitare
- Eritrocitele conin hemoglobin
_________________________________________
Concluzie: - Hemoragia duce la scderea hemoglobinei (anemie)

Observm deci c formele logice pot fi ierarhizate: noiunea, propoziia, inferena.
c) Propoziii categorice
Propoziiile categorice sunt cele mai simple propoziii logice,exprimnd un singur
raport ntre dou noiuni, fr nici o condiie. Ele pot fi:
- universale:
= afirmative: Toi S sunt P
= negative: Nici un S nu este P
- particulare:
= afirmative: Unii S sunt P
= negative: Unii S nu sunt P
- singulare:
= afirmative: Acest S este P
= negative: Acest S nu este P (IV.3)
n logic propoziiile singulare sunt testate ca universale, S fiind o clas cu un
singur element.
d) Pricipiile logicii
Aplicarea unor operaii asupra formelor logice pentru a obine propoziii noi
trebuie s respecte o serie de legi de raionare, dintre care patru au un caracter fundamental
i se numesc principii logice.

Principiul identitii: un obiect este inconfundabil cu alt obiect.
Principiul non-contradiciei: o propoziie nu poate fi i adevrat i fals n acelai
timp.

191

Principiul terului exclus: o propoziie - ntr-un context - poate fi fie acceptat, fie
neacceptat; nu trebuie confundat cu principiul bivalenei privind valoarea de
adevr a propoziiei (st la baza demonstraiei prin reducere la absurd).
Principiul raiunii suficiente: nici o propoziie nu este acceptat sau respins ntr-
un raionament dect dac exist o justificare pentru acceptare (respingere,
necesitate i suficien).
5.2. PROPOZIII COMPUSE
Prin aplicarea unor operaii logice asupra unor propoziii simple se obine o form
logic nou - propoziia compus. Valoarea de adevr a propoziiei compuse este
dependent de valoarea de adevr ale propoziiilor simple i este redat uzual sub forma
unor "tabele de adevr", n care se noteaz valoarea "adevrat" cu 1 i "fals" cu 0.
Prezentm n continuare operaiile logice posibile pentru construcia unor propoziii
compuse, mpreun cu tabele de adevr asociate.

a) Negaia: notat ~ sau ; este un operator unar ~ p se citete 'non-p'; se mai
numete 'NOT'
q 1 0
~ p 0 1

b) Conjuncia: notat ' ' sau ' '; este un operator binar; p q se citete 'p i q'; se mai
numete 'AND'

p
q

1

0
1 1 0
0 0 0

c) Disjuncia: notat 'V'; pVq se citete 'p sau q'; se mai numete 'OR'

p
q
1 0

1

1

1
0 1 0

d) Disjuncia exclusiv: notat ' ' sau 'W'; pWq sw citete 'sau p, sau q'; se mai numete
'XOR'

p
q
1 0
1 0 1
0 1 0

e) Implicaia: notat ' '; p q se citete 'dac p atunci q'; p se numete antecedent, q se
numete consecvent


192

p
q

1

0
1 1 1
0 0 1

f) Echivalena : notat ' ' sau ' '; p q se citete ' dac i numai dac p atunci q'

p
q
1 0
1 1 0
0 0 1

5.3. INFERENE LOGICE
O form logic mai complex dect propoziia este inferena, prin care, din unele
propoziii (premise) se construiete o propoziie nou (concluzie).
Exist dou clase mari de inferene:
- deductive - de la general spre particular
- inductive - de la particular spre general.
Sistemele expert actuale utilizate n domeniul medical utilizeaz exclusiv
inferene deductive. Vom prezenta n continuare prtincipalele operaii cu propoziii
compuse. Vom nota inferena cu semnul ' ' , plasnd premisele n stnga i concluzia n
dreapta.

a) Modus ponens:

p q
q
p

b) Modus tollens:

p q
p
q

c) Silogismul:

p q
p r
q r

Ar putea fi desigur analizate detaliat cazurile ce apar n funcie de tipul fiecrei
propoziii p, q, r, ns nu ne-am propus prezentarea acestor detalii, scopul principal fiind
reamintirea elementelor fundamentale de logic ce stau la baza construciei unora dintre
cele mai performante programe de informatic medical: sistemele expert.


193

5.4. ELEMENTE ALE LIMBAJULUI PROLOG
Majoritatea limbajelor de calculator sunt orientate pentru rezolvarea unor
probleme numerice, avnd ca operatori fundamentali operaiile aritmetice. Lucrul cu
propoziii necesit ns un limbaj adecvat, n care operatorii fundamentali s fie operatorii
logici "nu, i, sau". Un astfel de limbaj este 'PROLOG' (PROgramming in LOGics), dedicat
pentru transpunerea formal a propoziiilor i operaii cu propoziii. Rularea unui program
implic estimarea valorii de adevr a fiecrei propoziii, iar rezultatul este ntotdeauna fie o
valoare de adevr, fie o propoziie.
Elementul fundamentale ale limbajului PROLOG sunt:
predicate: care exprim o relaie ntre obiecte, de obicei primul avnd rolul
subiectului dintr-o propoziie logic iar al doilea, eventual i celelalte fiind obiect al
aciunii sau proprieti
clauze: reprezint fapte sau reguli; ele se construiesc folosind predicatele enumerate
n seciunea de predicate avnd nlocuite concret valori pentru parametrii de
parantez
domenii: reprezint paragraful de nceput al unui program n PROLOG n care sunt
enumerate tipurile de variabile / parametri ntlnii n clauze.

Exemplu:
domains
diagn = symbol
tens_art_sis = integer
hemoglobin = real
predicates
are (pacient, diagn, tens_art_sis, hemoglobin)
clauses
are (X, anemie, _ , Y) if Y 11.5
are (X, hipertensiune, Z, _) if Z 150
are (X, sntos, T,Y) if Z 150 and Y 11.5)
are (popescu, Diag, 12, 140)
are (ionescu, Diag, 11, 135)
are (petrescu, Diag, 13, 160)
are (vasile, Diag, 10, 155).

Observm c n clauze apar dou feluri de propoziii: primele trei reprezint
reguli, (coninnd variabile) iar urmtoarele 4 sunt fapte, coninnd date.
Programul solicit operatorului rezolvarea unei probleme ('goal'); de ex. pentru un
caz particular:

goal:
are (ionescu, Diagn, 11, 135)
vom primi rspunsul:
Diagn = anemie
iar pentru un caz general:
goal:
are (X, Diagn, _ , _)
vom primi rspunsul:
X = popescu, diagn, = sntos
X = ionescu, diagn = anemie
X = petrescu, diagn = hipertensiune

194

X = vasile, diagn = anemie
X = vasile, diagn = hipertensiune
5 solutions.

Desigur n situaii reale avem un grad mult mai ridicat de complexitate.
Exemplele prezentate sunt foarte simple, ns ilustreaz modul n care se formalizeaz
informaiile n cadrul sistemelor expert.
6. SISTEME EXPERT
6.1. STRUCTURA UNUI SISTEM EXPERT
n figura IV.4 este prezentat schematic structura unui sistem expert.
Figura IV.4. Structura unui sistem expert

S descriem pe scurt sistemele componente.
a) B.CUN - baza de cunotine: este elementul fundamental al unui sistem expert
n care cunotinele sunt de obicei clasificate pe trei nivele:
- nivelul cunotinelor factuale, care cuprinde fapte reprezentate ca instane ale
conceptelor (cunotine empirice)
- nivelul cunotinelor conceptuale, care cuprinde cunotine teoretice, reliefnd
legturile i relaiile cauzale ntre elemente
- nivelul de metacunoatere, care cuprinde cunotinele despre cunoatere i
reprezentrile sale.
Metodele de realizare a bazelor de cunotine constituie un dezvoltat capitol al
inteligenei artificiale numit "ingineria cunoaterii" (knowledge engineering) sau
"reprezentarea cunotinelor" (knowledge representation). Cele mai utilizate metode de
reprezentare a cunoaterii sunt:
- reprezentarea prin formalizare n calculul predicatelor
- metode procedurale
- reele semantice
- sisteme de producie ("production rules")

195

- reprezentare prin cadre
- reprezentare cu hiper-reele.
Nu ne oprim aici pentru descrierea lor; menionm doar c van Bemmel semnala
nc n 1985 c formalizarea cunotinelor medicale, care are deocamdat un nivel deosebit
de sczut, necesit o pregtire teoretic adecvat, insistnd asupra introducerii
biomatematicii n programa facultilor de medicin.
b) S.COG. - sistemul cognitiv: asigur accesul la baza de cunotine i are n
principal dou sarcini:
- cutarea pieselor de cunoatere n baza de cunotine (fie prin simboluri fie prin
proprieti)
- crearea i actualizarea bazei de cunotine (prin adugiri, tergeri sau
modificri).
c) S.REZ. - sistemul rezolutiv (l.engl: inference machine) este modulul central
din program ce are ca obiectiv rezolvarea problemelor puse de utilizator; n funcie de
gradul de complexitate el poate realiza:
- alegerea strategiei de control adecvate problemei
- elaborarea planului de rezolvare
- desfurarea aciunilor din plan
- trasarea drumurilor de raionament prin arborii deductivi
- constituirea informaiei de control
- verificarea pailor de rezolvare.
Performanele unui sistem expert sunt determinate n principal de calitatea
sistemului rezolutiv. Actualmente sunt realizate sisteme expert acoperind o gam larg de
performane, de la sisteme simple, n care sistemul rezolutiv se limiteaz la cererea pieselor
de cunoatere i estimarea unor "potriviri" ntre situaia real i diferite piese de cunoatere,
pn la sisteme sofisticate, cu elaborare de strategii i capabile s schimbe strategia de
rezolvare dac este cazul.
d) S.EXP. - sistemul explicativ: are ca sarcin principal justificarea soluiilor
oferite de sistemul expert la problemele puse, prin:
- listarea i/sau interpretarea drumurilor de raionament ale sistemului rezolutiv
- editarea cauzelor greelilor sau eecului n gsirea unei soluii
- evidenierea pieselor de cunoatere care lipsesc din lanul inferenial.
Sistemul explicativ poate chiar lipsi sau poate fi foarte simplu (enumerarea
pieselor de cunoatere folosite), dar poate fi elaborat pn la justificarea fiecrui pas din
raionament sau evidenierea unor piese de cunoatere contradictorii sau suspecte. Sistemul
explicativ are un rol deosebit de important n utilizarea sistemelor expert n procesul
didactic.
e) S.COM. - sistemul de comunicare: asigur interfaa cu utilizatorul; dei
dialogul este dirijat de sistemul rezolutiv, sistemele de comunicare evoluate pot conine:
- procesoare pentru limbaje de reprezentare a cunoaterii
- procesoare pentru achiziia semnalelor sau imaginilor, ieiri grafice, conexiuni
cu alte echipamente etc.
f) S.MET. - sistemul metarezolutiv: este inclus n schemele clasice ale sistemelor
expert dei sistemele realizate pn n prezent nc nu l conin. Sarcina acestui sistem ar fi
adecvarea i validarea mecanismelor fundamentale utilizate de sistemul rezolutiv (sau
cognitiv), evaluarea caracteristicilor domeniului de expertiz, prelund sarcini dirijate ale
sistemului rezolutiv privind prioriti i restricii de aplicare ale strategiilor de rezolvare.
Sistemele expert medicale realizate i aplicate pn n prezent, dei au diferite
nivele de dezvoltare, au cutat n special dezvoltarea bazelor de cunotine avnd sistemul
rezolutiv i cel explicativ la nivele relativ modeste comparativ cu nivelul teoretic n
domeniu i acesta s-ar datora ntr-o bun msur nivelului nc nesatisfctor al
formalizrii cunotinelor medicale. Aceasta este i direcia n care se depun actualmente

196

cele mai mari eforturi, fiind necesar n paralel i o pregtire corespunztoare a potenialilor
utilizatori.
6.2. DESCRIEREA CONEXIUNILOR
Vom ncerca s descriem ntr-o form simplificat aspectele funcionale
fundamentale ale unui sistem expert prin descriere a conexiunilor ntre subsisteme.
Utilizatorul U formuleaz problema (ntrebarea) notat n fig.3 prin conexiunea P.
Sistemul de comunicaie care asigur interfaa cu ansamblul de prelucrare a cunoaterii
despre domeniu transform problema P a utilizatorului n "problema bine definit" - 1, care
este transmis sistemului rezolutiv. Acesta alege o strategie, elaboreaz un plan de
rezolvare i, pentru realizarea acestui plan solicit piese de cunoatere de la sistemul
cognitiv (conexiunea 2), care o solicit bazei de cunotine (conexiunea 2'); piesa de
cunoatere este transferat sistemului rezolutiv (conexiunile 3 i 3'). Ciclul 2-2'-3-3' se
repet de cte ori este necesar pn cnd sistemul rezolutiv fie gsete soluia (sau soluiile)
problemei, fie abandoneaz cutarea soluiei din diferite motive, ce vor fi comunicate
utilizatorului. Rezultatul obinut este transmis prin conexiunea 4 ctre sistemul explicativ
care transform n form inteligibil mesajele sistemului rezolutiv, transmindu-le prin
sistemul de comunicaie (conexiunea 5) ctre utilizator, sub forma rspunsului R. Dup
comunicarea rspunsului, utilizatorul poate investiga mai n detaliu modul de rezolvare
obinnd - la cerere - ntregul traseu al raionamentelor; se pot astfel evidenia cauzele
abandonului, piesele de cunoatere lips sau contradictorii, date insuficiente n problem
etc.
Este evident c actualizarea bazei de cunotine este strict necesar pentru
obinerea unor rezultate de ncredere. Pentru aceast operaie utilizatorul poate analiza
oricnd piesele de cunoatere, direct prin conexiunile 2" i 2', fr s fie necesar o
problem pentru a fi solicitate. Introducerea unor noi piese de cunoatere se face tot direct,
prin conexiunile 6 i 6'.
Adugarea unui sistem metarezolutiv ar permite supravegherea unor aciuni n
cursul funcionrii sistemului expert prin conexiunile 7, 7' i 7" de adecvare a
mecanismelor fundamentale. Sistemul metarezolutiv ar folosi cunotinele la nivelul
metcunoaterii din baza de cunotine prin conexiunea 8.
6.3. CARACTERISTICILE PRINCIPALE ALE SISTEMELOR EXPERT
Dup ce peste dou decenii progresele nregistrate n domeniul diagnosticului
asistat au fost relativ modeste, apariia sistemelor expert a revigorat speranele n aceast
direcie. Ce au sistemele expert deosebit fa de celelalte modele?
a) Sistemele expert au trecut de la reprezentarea empiric a cunotinelor la
reprezentri adecvate pentru complexitatea lor, fiind clasificate pe nivele i cuprinznd i
relaiile.
b) Raionamentele folosite de sistemele expert se fac prin mecanisme infereniale,
depind simplele structuri liniare, folosind mecanisme de cutare adecvate ce permit
creterea deosebit a performanelor.
c) Sistemele expert pot extrage cunotine din baze de date.
d) Sistemele expert se ncadreaz n clasa programelor de inteligen artificial
prin caracteristica lor de a putea nva.

Iat ca exemplu o secven din rularea unui program. Din meniul principal se
alege modul de lucru: "introducerea simptomelor"; o poriune de dialog este prezentat mai
jos:


197

...
> dureri?
: da
> localizare
: piept
> se agraveaz la efort?
: da
> palpitaii?
: da
> hipertrofie ventricular?
: da
> stng/dreapt?
: stnga
...

Dup introducerea simptomelor se revine n meniul principal i se alege modul de
lucru: "diagnostic"; ilustrm din nou o secven:

>> diagnostic propus: hipertensiune
>> suntei de acord cu diagnosticul propus? (da/nu)
: nu
>> care este diagnosticul dvs.?
: angin pectoral

n aceast faz programul caut n baza de cunotine "angin pectoral" i
simptomele sale, fcnd comparaie cu simptomele introduse. Dac "angina pectoral"
exist n baza de cunotine calculatorul va evidenia - din filmul rulrii executate -
ntrebarea la care decizia sa a ales alt ramur, preciznd:

>> nu am ales: angin pectoral
>> deoarece la ntrebarea: "transpiraie rece?"
>> ai rspuns: "nu"
...
Dac n baza de cunotine nu figureaz "angina pectoral", dialogul ar contiua astfel:

>> pies de cunoatere absent n baza de cunotine: angina pectoral
> prin ce se deosebete : angina pectoral
> de: hipertensiune
> proprietate nou #1:
: dispnee
> proprietate nou #2:
: end
> dorii s salvm noul diagnostic?
: da
...

Am introdus astfel o nou pies de cunoatere care motenete proprietile de la
precedenta i n plus are o proprietate n plus, inexistent la precedenta. Noua pies
mpreun cu proprietile sale va fi introdus n baza de cunotine. La o nou rulare a

198

programului, rspunznd n acelai mod ca n rularea precedent, dialogul se va desfura
la fel pn cnd se propunea un diagnostic, ns acum va mai apare o ntrebare:

> dispnee?
: da
...
>> diagnostic propus: angin pectoral
...
n exemplul dat am folosit o parte din baza de cunotine a sistemului expert
INTERNIST ns, la fel ca multe alte sisteme expert, pentru creterea operativitii n
manevrare, simptomele nu se introduc prin dialog ci prin selecie dintr-o list de mari
dimensiuni (de ex. pentru versiunea INTERNIST folosit de noi aceast list de simptome
se intinde pe 34 pagini-ecran).
Exemplul dat este simplificat fa de programul real, care prezint de fapt o list
de diagnostice ierarhizate dup procentul de potriviri. De asemenea se iau msuri i pentru
asigurarea c baza de cunoine nu va fi modificat de persoane neautorizate. De obicei un
sistem exepert de uz practic are un administrator care rspunde de integritatea bazei de
cunotine.
6.4. SISTEME EXPERT MEDICALE
Primul sistem expert, DENDRAL, a fost realizat n 1964 i se referea la structurile
moleculelor organice. n domeniul medical primul sistem expert, de mare succes, a fost
MYCIN realizat de colectivul condus de Shortliffe pentru diagnostic n infecii bacteriene
ale sngelui, bazat pe simptome i date de laborator; dup estimarea diagnosticului sistemul
fcea i propuneri de tratament medicamentos. Concepii similare au stat i la baza altor
dou sisteme expert: HEADMED pentru patologia neuro-psihiatric i PUFF pentru boli
pulmonare. Cel mai cunoscut sistem expert este INTERNIST, pentru asistarea
diagnosticului n medicina intern; sistemul este intens folosit i n scopuri didactice n
multe universiti din lume. Un alt sistem, expert ntr-un domeniu mai ngust, ns de mare
utilitate practic este VM (Ventilator Monitor); acesta este capabil s supravegheze
funcionarea plmnului artificial n saloanele de terapie intensiv, s ia decizii n foarte
multe situaii i s avertizeze, eventual, personalul n situaii delicate. Sistemul expert
CASNET, pentru diagnostic n boli de ochi este unul dintre sistemele expert cele mai bine
elaborate prin organizarea bazei de cunotine. Din punct de vedere al aplicaiilor directe
probabil c cel mai utilizat este sistemul TROPICAID, elaborat pentru asistarea
diagnosticului n ri tropicale, ce permite rezolvarea a peste trei sferturi din cazuri de ctre
un cadru mediu, selectnd astfel pentru asistena medical mai elaborat numai cazurile
mai deosebite. n ultimul timp au aprut sisteme expert "independente de domeniu", numite
i "shell" (de exemplu INTEXP) adic sisteme expert cu structur flexibil n care
utilizatorul i poate introduce baza proprie de cunotine, obinnd astfel un sistem expert
specializat.
Dei eforturile depuse pentru realizarea sistemelor expert au fost foarte mari iar
unele sisteme au ajuns destul de performante, aplicarea lor concret este nc relativ
limitat, dar n cretere constant, odat cu creterea dotrii cu tehnic de calcul i creterea
nivelului de pregtire al utilizatorilor. Sistemele expert vor constitui probabil un instrument
omniprezent n clinici i cabinete medicale, chiar dac vor fi folosite numai pentru
"asistarea" medicului n faza de diagnostic.

199

7. ESTIMAREA CALITII CLASIFICRII
Sistemele de diagnostic asistat realizeaz, principial, o operaie de clasificare.
Utilizarea calculatoarelor pentru asistarea n aceste operaiuni nu este lipsit de riscul unor
clasificri greite. De aceea, este important a avea criterii bine definite de apreciere a
calitii unui clasificator. (Menionm aici c aceste criterii au un caracter general, nefiind
restrnse ca aplicabilitate numai la diagnosticul asistat).
Aprecierea pornete desigur de la confruntarea cu realitatea (Tabel IV.4.). S
considerm c dintr-un total de N indivizi, L
1
sunt pozitivi (de exemplu au o boal) i
notm cu L
2
restul indivizilor, care sunt negativi din punct de vedere al afeciunii respective
(atenie: nu impunem alte condiii, deci nu nseamn c L
2
sunt snoi - ei pot avea alte
afeciuni). Clasificatorul pe care dorim s-l analizm - n cazul nostru va fi un algoritm de
clasificare - face o clasificare corect a n
11
indivizi dintre cei L
1
; acetia se vor numi 'real
pozitivi' (R+). Restul subiecilor, pn la L
1
, (adica n
12
), au fost apreciai ca neaparinnd
clasei K - se vor numi n acest caz 'fals negativi' (F-). Dintre cei L
2
care sunt negativi, un
numr n
22
au fost clasificai corect, ca neaparinnd clasei K (real negativi R - ), dar n
21
au
fost clasificai greit, ca aparinnd clasei K acetia sunt 'fals pozitivi' (F +).

Tabel IV.4. Estimarea calitii clasificatorului

clasificator
K+ K-

B
real
B-
n
11
n
12

n
21
n
22

L
1

L
2

C
1
C
2
N
Se folosesc uzual trei perechi de indicatori pentru a estima calitatea clasificrii.
a) Perechea sensibilitate (SN) specificitate (SP)
Sensibilitatea reprezint capacitatea clasificatorului de ncadrare corect a
celor pozitivi, iar specificitatea este capacitatea de rejecie corect a celor negativi:
SN = p(K+/B+) = n
11
/ L
1

SP = p(K-/B-) = n
22
/ L
2

b) Valoarea predictiv pozitiv (VPP) i valoarea predictiv negativ (VPN)
Valoarea predictiv pozitiv (VPP) este definit prin proporia ncadrrii
corecte a celor declarai pozitivi iar valoarea predictiv negativ (VPN) prin rata
ncadrrii corecte a celor clasificai negativi:
VPP = p(B+/K+) = n
11
/ C
1

VPN = p(B-/K-) = n
22
/ C
2

c) Indicatori globali acurateea i rata erorii de clasificare
AC = ( n
11
+ n
22
) / N
RE = ( n
12
+ n
21
) / N

200

Curba ROC
Clasificarea se face funcie de o valoare de prag, care poate fi un parametru
complex determinat de algoritmul analizat. Indicatorii de estimare a calitii au valori
dependente de aceast valoare de prag: o valoare mai sczut dect media va fi mai
ngduitoare, acceptnd mai lejer includerea unui subiect n clasa K+, caz n care se
produce o cretere a sensibilitii, reducndu-se numrul de fals negativi. Din pacate, n
acelai timp o parte din n
22
trec n n
21
, crescnd numrul de fals pozitivi i scznd pe
aceast cale specificitatea. Aceast relaie ntre sensibilitate i specificitate impune o
alegere optim a pragului, funcie de criteriile care sunt importante n anumite situaii
concrete i modul cum se calculeaz funcia de cost a unei clasificri greite. n funcie
de scopul urmrit n studiu, vom cuta o sensibilitate mai ridicat (chiar dac tim c va
crete numrul de fals pozitivi), iar n altele vom urmri o specificitate crescut.
Concluzii interesante se pot trage dac se urmrete grafic relaia ntre
sensibilitate i specificitate. Se reprezint de obicei
SN = f (1 SP)

Curba ROC
Graficul obinut se numete curba ROC (Receiver Operator Characteristic).
Acest grafic are cteva proprieti interesante:
dac folosim un criteriu de clasificare fr putere de discriminare (de ex. un scor
calculat absolut arbitrar), atunci curba ROC ar coincide cu prima bisectoare a
planului, aria de sub curb reprezentnd 50% din total
pe de alt parte, dac am avea un criteriu perfect (nici un fals pozitiv sau negativ,
indiferent de pragul P), atunci aria de sub curba ROC va fi 100%
uzual curba ROC arat ca n fig.1.4.; aria de sub curba ROC este un indicator
global satisfctor pentru calitatea clasificatorului folosit i se numete coeficientul
c [46, 47, 48, 49, 50], http://gim.unmc.edu/dxtests/.

201

Coeficientul c
Aria de sub curba ROC se mai numete i coeficientul c i reprezinta cel mai
important indicator al acurateei prediciei (scorului).
Se accept urmtoarea scar n funcie de coeficientul c
[http://gim.unmc.edu/dxtests]:
0,91 1,00 = excelent
0,81 0,90 = foarte bine
0,71 0,80 = bine
0,61 0,70 = satisfcator
sub 0,60 = slab.

Exemplu: Relum exemplul cu cei 4000 subieci dintre care 100 au avut viroz.
Presupunem c programul nostru de calculator a diagnosticat corect 90 dintre ei, ns a
atribuit acelai diagnostic (viroz) i la ali 50 de subieci. Caracterizai programul de
diagnostic.
Datele din text sunt prezentate sintetic n tabelul IV.5.

Tabel IV.5. Exemplu pentru calculul parametrilor unui clasificator

prog. calc.
K+ K-

B
real
B-
90 10

50 3850
100

3900
- - 4000
fals negativi F - = 10
fals pozitivi F + = 50
sensibilitatea SN = 90 / 100 = 90%
specialitatea SP = 3850 / 3900 = 97,4%
acurateea AC = 3940 / 4000 = 98,5%
rata erorii RE = 60 / 4000 = 1,5%
8. ALEGEREA INVESTIGAIILOR
Calculatorul poate asista medicul n luarea deciziilor nu numai pentru stabilirea
diagnosticului ci i n alte aciuni, una dintre acestea fiind alegerea investigaiilor, aciune
desigur corelat cu stabilirea diagnosticului. Deseori medicul este solicitat de pacient sau
familia acestuia s recomande investigaii nu ntotdeauna necesare sau relevante, uneori
scumpe i inavazive. Principalele elemente care intervin n luarea deciziei de recomandare
sau nu a unei investigaii sunt:
relevana rezultatului pentru conduita terapeutic sau precizarea diagnosticului
(se efectueaz o serie de calcule probabilistice pe baza regulii lui Bayes iar apoi,
n funcie de sensibilitatea i specificitatea testului se estimeaz probabilitatea
evoluiei n cele dou variante - cu sau fr rezultatul investigaiei)
tipul de investigaie - invaziv, neinvaziv


202

costul investigaiei
efecte secundare, contraindicaii, accidente.
9. OPTIMIZAREA TRATAMENTULUI
Chiar dac aplicaiile actuale acoper n mic msur aspectul optimizrii
tratamentului medical, specialitii apreciaz c n urmtoarele dou decenii aceasta va
deveni aplicaia major a informaticii medicale. Terapia actual se bazeaz pe existena
unor scheme de tratament n care - n majoritatea cazurilor - pacienii sunt ncadrai
adoptndu-se cam aceleai doze i intervale de timp, cu variaii mai curnd calitative, n
cazuri de complicaii etc. Este un deziderat major al medicinei actuale terapeutice trecerea
spre individualizarea tratamentului. Primul pas major se realizeaz prin realizarea unui
model individualizat al pacientului pe calculator (cuprinznd caracteristicile sale
relevante pentru aspectul analizat), asupra cruia se simuleaz diferite variante de
tratament, alegndu-se varianta optim.
Astfel de programe au i fost realizate pentru optimizarea tratamentului tumorilor
prin iradiere. Problema important care trebuie rezolvat n aceste cazuri este atingerea
dozelor terapeutice n regiunea tumoral fr ns a afecta regiunile strbtute de radiaii
pn n zona tumoral. Iradierea sub mai multe incidene permite ca n zona tumoral, prin
efect aditiv s se cumuleze doza terapeutic, fr a depi limitele admise pentru celelalte
regiuni. Programele de calculator folosite precizeaz incidenele i dozele pentru fiecare
inciden.
10. DECIZII LA NIVEL DE ORGANIZARE SANITAR
O larg palet de aplicaii este deschis pentru asistarea deciziei la nivele centrale
privind:
distribuirea resurselor n funcie de prioriti i necesiti
estimarea necesarului de medicamente, echipamente, infrastructur, personal
reacii operative n caz de epidemii, calamiti, accidente
elaborarea politicii sanitare n planuri de scurt i lung durat.
JH van Bemmel, F Gremy, J Zvarova (eds): Medical decision marking: diagnostic
strategies and expert system. North Holland, Amsterdam, 1995
G.I. Mihala. Diagnosticul asistat de calculator (n: Progrese n medicin, editor: Gh.
Gluhovshi), Helicon, Timisoara, 1997
G.I. Mihala. Strategii de diagnostic asistat de calculator n medicina intern (n:
Interdisciplinaritatea medicinii interne, editor: I. Romoan), Helicon, Timisoara,
1993


203

Partea a V-a
S SI IS ST TE EM ME E I IN NF FO OR RM MA AT TI IC CE E M ME ED DI IC CA AL LE E


204


205

1. INFORMAIA MEDICAL
n capitolele anterioare am trecut n revist numeroase aplicaii ale
calculatoarelor n domeniul medical (crearea bazelor de date, prelucrri statistice,
achiziia i prelucrarea biosemnalelor i imaginilor medicale, diagnostic asistat etc.),
privite ns ca aplicaii punctuale, fr s acordm atenie deosebit modului n care
acestea se integreaz n ansamblul activitilor medicale. n acest capitol vom arbora o
privire sintetic pentru a aborda activitile din domeniul medical ca pe un sistem, cu
numeroase elemente structurale, ntre care circul informaii i vom urmri msura n
care tehnica de calcul poate sprijini aceste activiti precum i particularitile acestui
sistem n ansamblul su.
i deoarece elementul central urmrit aici este informaia medical, vom
ncepe printr-o privire sintetic asupra acestei noiuni, pentru a putea defini conceptul
de sistem informatic.
Prima tentaie n a defini noiunea de informaie medical ar fi de a-i limita
sfera de cuprindere la informaii care privesc aspectele medicale din activitatea de
ocrotire a sntii. Vom extinde ns sfera acestei noiuni astfel nct s cuprind orice
informaie care apare n cursul activitilor medicale, att cele directe ct i conexe. S
trecem n revist tipurile de activiti, nct s putem estima tipurile de informaii care
apar n diverse locuri i momente, pentru a putea analiza apoi cum aceast informaie
circul n sistemul medical / sanitar.

1.1. TIPURI DE ACTIVITI
a) Activiti medicale directe - reprezentate tipic de consultaia medical.
Pentru a analiza tipurile de informaii vehiculate, vom distinge cteva faze / aciuni:
i
0
- stabilirea diagnosticului - faza n care medicul folosete dou categorii de
informaii
- date: un ansamblu de informaii cu caracter individual, cuprinznd:
elementele culese n anamnez, datele de laborator, semnale, imagini
- cunotine: anasamblul de informaii generale pe care le achiziioeaz
medicul n cursul pregtirii sale profesionale (prin instruire, experien clinic,
documentare, cercetare)
ii
0
- tratament - faz n care medicul urmrete rezultatele terapiei propuse
stabilindu-se un permanent schimb de informaii ntre medic i pacient.
iii
0
- nursing - denumire sub care acoperim toate activitile privind ngrijirea
pacienilor.

b) Asigurarea logistic a activitii medicale
Cadrul n care se desfoar orice activitate necesit o activitate organizatoric,
administrativ i managerial, mai simpl sau mai complex, n funcie de specificul
activitii i de dimensiunea sistemului. Vor fi desigur deosebiri ntre activitile
manageriale la nivel de circumscripie sanitar sau la nivel de spital. Aceste activiti
conexe cuprind cel puin dou elemente principale:
- activiti de administrare a unitii
- activiti financiar contabile.

206

Trebuie menionat c uneori aceste activiti ocup un procent nsemnat din
timpul consumat de medic n activitatea sa de ansamblu.

c) Integrarea n contextul social. Activitatea medical nu este o aciune
izolat, cu scop n sine, ci face parte din ansamblul activitilor dintr-o societate, astfel
nct rezultatele activitii medicale trebuie s fie vizibile la nivelul societii. Acest
lucru se atinge pe mai multe ci; vom accentua aici ns aciunea de centralizare a
datelor medicale, prin care se raporteaz ierarhic datele sintetice cu ajutorul crora se
obine o imagine de ansamblu asupra activitilor din domeniul ocrotirii sntii la
nivelul unei comuniti / societi.

d) Educaia medical - este o aciune de importan deosebit, fiind veriga
esenial n transmiterea informaiei medicale condensate sub forma de cunotine
medicale. Ea cuprinde:
i
0
- nvmntul cadrelor medicale:
- medici
- cadre medicale
- nvmnt postuniversiatr, educaie continu
ii
0
- educaia pacienilor - element deosebit de important pentru anumite
categorii de pacieni (diabetici, gravide, astmatici, etc); acestui aspect i se acord
actualmente o atenie special i se realizeaz numeroase programe pentru categorii
extinse de pacieni.

e) Documentarea medical
n mod obinuit, dup ncheierea studiilor sursa principal de informare devine
documentarea din cri i reviste de specialitate. Acestora li se adaug acum metodele
computerizate, folosind fie revistele publicate pe compact-disc (CD), exemplul tipic
fiind sistemul MEDLINE elaborat de National Library of Medicine din Bethesda
(SUA), fie conectarea pe Internet, cu acces la diferite biblioteci de specialitate din lume,
unele dintre acestea asigurnd acces gratuit. Toate aceste forme de completare i
actualizare a cunotinelor, mpreun cu diverse cursuri post-universitare, se ncadreaz
n conceptul de educaie medical continu.

f) Cercetarea medical
Cantitatea total de informaie este n cretere rapid i acest lucru se datoreaz
dezvoltrii deosebite a cercetrii. Tehnologia informaional contribuie din plin la
aceast cretere rapid inclusiv a cercetrii medicale. Actualmente n toate instituiile de
nvmnt superior medical se desfoar i o intens activitate de cercetare, integrat
de fapt n ansamblul activitilor medicale.
1.2. STRUCTURA SCHEMATIC A FLUXULUI INFORMAIONAL
a) Schema fluxului informaional
Vom prezenta n continuare tipurile de informaii i conexiunile de transfer a
informaiilor legate de activitatea medical (fig. V.1).
Poziia central n schem o ocup axa PACIENT - MEDIC care reprezint
activitatea medical primar i genereaz toate celelalte aciuni. Medicul culege de la
pacient informaia medical sub form de date, care cuprind att elemente descriptive
din anamnez ct i alte date: rezultate de laborator, semnale, imagini etc. Aceste date
au caracter individual. Ele sunt interpretate de medic pe baza cunotinelor sale de
specialitate, obinute prin educaie, documentare (cri, reviste, mijloace informatizate),
experien clinic, eventual i cercetare. Interpretarea datelor conduce la stabilirea unui

207

diagnostic i elaborarea unui plan terapeutic care se aplic pacientului. Efectele
tratamentului sunt urmrite de ctre medic nchizndu-se astfel un prim ciclu n care
noua stare a pacientului privit ca feed-back n circuitul informaional va determina
o nou decizie a medicului (aici atributul nou reprezint un nou moment, nu
neaprat o alt stare sau decizie). Conform teoriei sistemelor, un sistem cibernetic n
care exist un ciclu cu legtura invers este considerat un sistem reglabil (controlabil).

Fig. V.1. Schema fluxului informaional n activitatea medical

n ciclul descris aici datele au un nivel individual, acest lucru fiind marcat n
schem printr-o linie ntrerupt care desparte poriunea superioar de cea inferioar a
figurii.
Caracterul individual al informaiilor se pierde atunci cnd datele se
centralizeaz pentru mai muli pacieni, de la mai muli medici, fiind supuse unor
prelucrri statistice la NIVEL CENTRAL. Se obine o imagine de ansamblu asupra
strii de sntate a populaiei, aceasta fiind o informaie medical la nivel de
comunitate. Cunoaterea situaiei la nivelul societii permite luarea unor msuri de
mbuntire a activitii de ocrotire a sntii prin: msuri profilactice, vaccinri,
eventual aciuni deosebite (n epidemii), orientarea unor fonduri spre anume activiti
achiziionri de medicamente, echipamente etc. Msurile luate se rsfrng asupra
ntregii SOCIETI, implicit asupra pacienilor ca indivizi. Acesta poate fi considerat
ca un al doilea ciclu al fluxului informaiei medicale.
Circuitul se nchide i prin influena pe care o poate avea informaia la nivel
central cu efect asupra creterii/mbuntirii bazei de cunotine, cum ar fi orientri ale
unor teme de cercetare, dezvoltarea nvmntului etc. Acesta ar fi al treilea ciclu al
fluxului informaional. S nu trecem cu vederea c toate msurile la nivel central depind
de resursele disponibile pentru astfel de aciuni, care - la rndul lor - sunt distribuite de
ctre societate.

208

Se observ din schem caracterul complex al transferului de informaie n
activitatea medical, numeroasele legturi i tipurile diferite de informaii.
b. Nivele de organizare a activitii medicale
Putem distinge n activitatea medical patru nivele de organizare:
- asistena medical primar - asigurat la nivelul circumscripiilor sanitare de
ctre medici de medicin general i / sau medici de familie
- asistena medical de specialitate - asigurat la nivelul cabinetelor i / sau
clinicilor de specialitate, avnd i suportul unor servicii paraclinice
- spitalul ca unitate de organizare a asistenei medicale de specialitate
- nivele centrale-decizionale: direcii sanitare, ministere, legturi cu organisme
internaionale (Organizaia Mondial a Sntii).
1.3. SISTEM INFORMAIONAL, SISTEM INFORMATIC
Dup ce am urmrit schema fluxului informaional n activitile medicale,
putem da acum dou definiii:
a. Sistemul informaional reprezint un ansamblu de uniti structurale ntre
care are loc un schimb de informaii.
b. Sistemul informatic reprezint partea din sistemul informaional care
cuprinde utilizarea calculatoarelor.
Procentul ocupat de sistemele informatice medicale n ansamblul sistemelor
informaionale variaz de la o ar la alt i de la un nivel la altul. Peste tot ns se
constat o marcat tendin de cretere, actuala generaie de studeni mediciniti din
Romnia fiind cu siguran printre cei care vor contribui la creterea acestui procent n
ara noastr.
2. SISTEME INFORMATICE N ASISTENA MEDICAL
PRIMAR
n cele ce urmeaz vom particulariza aspectele privind fluxul informaional n
cadrul asistenei medicale primare.
Asistena medical primar constituie primul contact al unui pacient cu
sistemul medical. n ara noastr asistena primar este asigurat n cabinete private de
medicin general sau medici de familie.
2.1. ACTIVITI LA NIVELUL UNITILOR DE ASISTEN MEDICAL PRIMAR
a) activiti medicale propriu-zise, cuprinznd: consultaii, vizite, urmrirea
unor categorii speciale de pacieni (bolnavi cronici, gravide, copii sub un an), urgene
b) documentare
c) organizare i management la nivelul circumscripiei (cabinetului).
Calculatoarele pot veni n facilitarea acestor activiti. Vom prezenta n
continuare tipurile de programe pe care ar trebui s le conin un calculator al unui
medic de medicin general. Sunt trecute i elemente (programe) privind aspecte care
ns nu sunt definitivate n ara noastr dar vor fi cu siguran introduse n viitor - ne
referim aici n special la introducerea asigurrilor de sntate, direcie n care s-a
acumulat mult experien n alte ri i n care aportul calculatoarelor este deosebit de
important.


209

2.2. MODULELE SISTEMELOR INFORMATICE ALE ASISTENEI MEDICALE PRIMARE
1
0
. Modulul de baz
Modulul de baz, obligatoriu n unele ri, cuprinde programele cel mai des
folosite mpreun cu fiierele aferente. Putem clasifica aceste componente n:
a) Fiiere de date medicale cuprinznd:
- registrele tuturor pacienilor - de fapt a tuturor persoanelor n evidena
circumscripiei
- date demografice, inclusiv date despre asigurrile medicale ale pacienilor
- posibilitatea gruprii datelor pe familii (gospodrii)
b) Programe de administrare a activitii medicale
- registre (fiiere) pentru: consultaii, vizite, teste de laborator
- elaborarea unor documente financiare simple - note de plat
- programe simple pentru diferite centralizri (medicamente etc.)
c) Programe utilitare ce asigur desfurarea unor operaiuni ca:
- asigurarea proteciei datelor
- lucrul n partiie (cnd sunt mai multe terminale: n cabinetul medicului, la
asistenta de recepie, n sala de laborator/investigaii, n sala de tratamente etc.)
- salvarea datelor (back-up) - o operaiune deosebit de important: este
obligatoriu ca zilnic s se copieze toate fiierele de date pentru a putea fi restaurate n
cazul unor defeciuni ale sistemului de calcul.

2
0
. Modulul medical
Are n poziie central fia de observaie, care este placa turnant cu rol
cheie n aplicaiile medicale (acest modul se mai ntlnete sub numele EPR -
electronic patient record, sau CPR - computer - based patient record).

a) Fia de observaie conine:
- date de identificare (cod personal, nume-prenume-adresa) i alte date
personale
- date medicale - care se trec grupate cronologic i cuprind:
= antecedente personale i heredo - colaterale (istoric)
= date ale examinrii (ex: puls, presiune arterial, alte observaii)
= rezultate de laborator (hemogram, examen de urin, etc.)
= semnale (ECG, EEG etc.)
= imagini (radiografie, scintigrafie etc.)
= prescripii de medicamente, alte tratamente
= trimiteri spre asistena de specialitate.
Din punct de vedere al formei de nscriere, datele pot fi grupate n:
- date sub form de text
- date numerice (cu precizie prestabilit)
- date codificate
- semnale i imagini (n aceste situaii se folosete termenul de format
multimedia)

b) Codificarea - este o operaiune frecvent ntlnit pentru o prezentare sub
form prescurtat a unor informaii. Ea a fost introdus iniial pentru evidena cauzelor
de deces i extins ulterior pentru descrieri complexe. Ansamblul de coduri folosite
pentru un scop anume formeaz un nomenclator. Cele mai rspndite sisteme de
codificare sunt:

210

i
o
- ICD10 (International Classification of Diseases) versiunea 10-a, cu cea mai
larg rspndire - este un sistem uniaxial, folsind un cod dup un singur criteriu -
diagnosticul
ii
oo
- SNOMED (Systematized Nomenclature of Human and Veterinary
Medicine); este un sistem multiaxial, cu coduri separate pentru topologie, etiologie,
morfologie, boal etc.

c) Prescripia medicamentelor
Elaborarea prescriptiei de tratament, este asistat de programele mai recente
ntr-o form destul de dezvoltat, avnd posibilitatea de a avertiza medicul de anumite
situaii, de genul:
- un medicament cu aciune similar mai este inclus n tratament
- medicamentul respectiv este contraindicat n... (de ex. sarcin, etc.)
- medicamentul respectiv nu este pltit de firma de asigurri, etc.

d) Trimiteri
Modulul medical conine i programe pentru editarea i tiprirea scrisorilor de
trimitere pentru diferite analize ctre cabinetul de specialitate sau spitale.

3
0
. Modulul programri
Cu consecine importante n economisirea timpului att al pacienilor ct i al
medicului; conine:
- evidena programrilor de consultaii
- planificarea vizitelor
- programarea unor aciuni speciale (vaccinri etc.)
- redactarea unor scrisori privind programrile

4
0
. Modulul farmacie
Unitile de asisten primar au de obicei i o dotare cu o serie de
medicamente strict necesare i pentru urgene; ca o uzan de activitate, cu ocazia
consultaiei (vizitei) se pot administra deja unele medicamente, urmnd ca restul s fie
achiziionate conform reetei; acest lucru este foarte important n circumscripiile rurale.
Modulul farmacie conine de obicei:
- evidena medicamentelor n stoc
- elaborarea comenzilor
- liste de gratuiti / compensaii
- lista furnizorilor
- date cumulative privind medicamentele prescrise ntr-un anumit interval de
timp.
Observaie: n multe ri casele de asigurri stabilesc plafoane de cheltuieli pentru
tratamente, care s nu fie depite de ctre medici, de aceea, n mod uzual un doctor
dorete s-i cunoasc n orice moment nivelul la care a ajuns, comparativ cu plafonul
prevzut.

5
0
. Modulul financiar
n afar de un program financiar-contabil inclus n modulul de baz, medicul
generalist necesit un modul dedicat care s-i satisfac integral necesitile administrrii
financiare a unitii, cuprinznd programe pentru:
- note de plat privind activitile prestate
- statele de plat ale personalului

211

- registrul contabil, inclusiv impozite
- corespondena financiar.

6
0
. Modulul de comunicaie
Unitile medicale nu sunt entiti izolate, avnd poziii bine precizate ntr-o
ntreag reea de asisten medical; totodat are legturi i cu uniti aparinnd altor
reele. Se apreciaz c nivelul actual de comunicare este nesatisfctor, datele de interes
pentru un medic (cum ar fi cele privind tratamentele aplicate unui pacient ntr-o unitate
specializat) sosind deseori incomplete i cu ntrziere. Este evident ca o conexiune a
unitilor de asisten primar cu cele specializate (spitale) ar mbunti cu mult
situaia, oferind posibilitatea transferului rapid i complet de informaii.

7
0
. Dezvoltri ulterioare
Dei satisfac o bun parte din necesiti, programele actuale pot fi nc
mbuntite prin adugarea unor faciliti suplimentare:
- documentarea asistat tehnici de data mining aplicate pentru resurse web
- adugarea unor module de sisteme expert pentru asistarea deciziei medicale,
n special diagnosticul (n momentul de fa sistemele expert au o aplicare nc destul de
restrns i sunt cel mai adesea utilizate n clinici de specialitate).
- ridicarea nivelului de standardizare a fiei de observaie.
3. SISTEME INFORMATICE CLINICE
Caracteristica esenial a sistemelor informatice clinice este c sunt orientate
pe pacient, adic fia pacientului este documentul primar i toate relaiile i
conexiunile ntre departamente se fac cu referire la pacient. De aceea identificatorul
pacientului este un element important pentru regsirea facil i urmrirea datelor.
3.1. STRUCTURA ASISTENEI SPECIALIZATE N CLINICI
Un pacient trimis de la nivelul asistenei medicale primare la nivelul asistenei
de specialitate va intra n evidena unui departament clinic, ns pentru obinerea unei
imagini complete asupra strii sale se apeleaz la o serie de servicii disponibile n
departamente paraclinice. n principiu putem considera c un sistem policlinic conine
dou categorii de departamente: clinice i paraclinice. Pentru un pacient se poate apela
la serviciile oricrui departament paraclinic, iar aceste departamente paraclinice servesc
toate departamentele clinice. Putem enumera principalele departamente de specialitate:
a) Departamente clinice
- medicin intern, subdivizate n: cardiologie, nefrologie etc.
- chirurgie, subdivizate la rndul lor
- pediatrie
- monitorizri
- psihiatrie
- neurologie
- boli infecioase etc.
b) Departamente paraclinice i servicii
- radiologie i imagistic
- medicin nuclear
- explorri funcionale

212

- laborator clinic
- endoscopie
- laborator anatomo-patologie
- terapie
- farmacie etc.
3.2. OBIECTIVE GENERALE ALE SISTEMELOR INFORMATICE CLINICE
a. Planificarea ngrijirii i interveniilor asupra pacienilor.
b. Gestiunea datelor pacienilor:
- achiziia, stocarea i regsirea datelor (referitoare la anamnez, date de
laborator, biosemnale, imagini etc)
- verificarea i codificarea datelor
- prelucrarea datelor
- prezentarea integrat - n aceast direcie exist o avalan de programe ce
propun numeroase variante ce pot oferi sintetic datele eseniale i cu acces uor i rapid
la orice alte elemente, cuprinznd inclusiv imagini i grafice.
c. Asistarea deciziei medicale - prin programe de:
- diagnostic asistat
- optimizare a terapiei
- simulri de evoluii, inclusiv simulri de intervenii pe modele.
d. Obiective educaionale - de exemplu sfaturi pentru pacieni.
e. Monitorizri i urmrire - estimarea evoluiei strii pacienilor este un
obiectiv esenial al asistenei medicale i permite reacia oportun pentru modificarea
tratamentului dup necesiti; de aceea programele de calculator trebuie s permit
obinerea rapid i facil a datelor solicitate prezentate ntr-o form uor interpretabil.
Adugm aici ca o categorie special programele folosite pentru monitorizarea n
terapia intensiv.
f. Raportare - activitatea medical presupune redactarea periodic a unor
rapoarte cuprinznd date sintetice ale activitii, din care se va estima la nivel central
starea de sntate a populaiei n vederea adoptrii celor mai potrivite msuri pentru
mbuntirea activitilor de ocrotire a sntii i asisten medical. Redactarea
acestor rapoarte, care este o aciune consumatoare de timp este mult uurat prin
utilizarea unor programe pentru:
- centralizarea datelor
- analiza statistic
- generare de rapoarte (exist chiar forme standard care pot fi elaborate periodic).
g. Evaluarea calitii asistenei medicale i a rezultatelor obinute -
stocarea uoar a unui numr mare de date, regsirea lor rapid i prelucrarea comod
permite aprecierea ori de cte ori este nevoie - a evoluiei bolilor (n special n bolile
cronice sau congenitale).
Putem include aici i o alt categorie de programe, care permit o estimare
realist a calitii asistenei medicale pentru mbuntirea planificrii activitilor i
resurselor n viitor i chiar pentru orientarea unor activiti de cercetare.
3.3. OBIECTIVE SPECIFICE ALE SISTEMELOR INFORMATICE N DEPARTAMENTE
CLINICE
Fr a avea pretenia la o prezentare exhaustiv a aplicaiilor calculatoarelor n
fiecare specialitate, deoarece am prezentat anterior o serie de obiective generale, ne vom
limita la o enumerare succint a unor aplicaii specifice, ntlnite mai des n anumite
clinici.

213

a) Medicin intern
- Cardiologie: una din disciplinele clinice cu exprimrile cele mai exacte, cu
modele matematice dezvoltate i mrimi mai uor de cuantificat, folosind investigaii
destul de precise. Sunt tipice prelucrrile de semnale ECG i echocardiografia, precum
i de imagini (angiografie coronarian i scintigrafie cardiac)
- Boli metabolice: este specific urmrirea pe lung durat; pentru diabetici s-
au creat o serie de programe de educaie a pacienilor
- Hematologie: s-au creat registre de hemofilie, cu date detaliate privind testele
i simptomele i care reamintesc pacienilor programrile la consultaii
- Nefrologie: baze de date internaionale cu liste de prioriti pentru transplant
renal precum i programe de telecomunicaie ntre staiile de dializ la domiciliu i
spital pentru monitorizarea pacienilor cu insuficien renal cronic
- Gastroenterologie: prelucrri de imagini endoscopice, nregistrri multimedia
(cu secvene video), regsirea imaginilor i compararea lor.

b) Chirurgie -aplicaii pentru:
- planificarea operaiilor
- pregtirea i controlul interveniilor chirurgicale
- monitorizarea pacienilor n timpul operaiilor
- simularea unor operaii prin tehnici de realitate virtual - programe deosebit
de utile pentru pregtirea viitorilor specialiti.

c) Oncologie - s-au realizat programe speciale pentru:
- codificri specifice (ONCOTOP)
- asistarea proiectrii terapiei cu radiaii
- elaborarea protocoalelor de chimioterapie
- centralizarea specific pentru Registrul naional de cancer
- prelucrri statistice specifice, inclusiv analiza supravieuirii i compararea
tratamentelor.

d) Obstetric:
- urmrirea sarcinii
- prelucrarea ultrasonocardiogramelor fetale
- educarea pacientelor
- estimarea calitii ngrijirii gravidelor
- monitorizarea n timpul travaliului.

e) Pediatrie
- baze de date pentru prematuri, cu programe speciale de urmrire a evoluiei
creterii
- depistarea precoce i urmrirea bolilor congenitale
- alte aplicaii sunt similare cu cele enumerate la medicin intern sau
chirurgie, ns aplicate specific pentru copii de diferite vrste.

f) Psihiatrie
- baze de date
- programe de interpretare a unor teste specifice
- sisteme de diagnostic asistat (variabilitate destul de larg a diagnosticului).

g) Neurologie - domeniu foarte exact n stabilirea diagnosticului - programe
pentru:

214

- estimarea gradului de disabilitate (scoruri)
- fi de observaie specific
- controlul terapiei.

h) Monitorizri - cu programe specifice pentru diverse tipuri; se manevreaz
foarte multe date; calculatoarele folosite au plci de achiziie de semnal, cu mai multe
canale; exemple de tipuri de monitorizri asistate de calculator - n:
- uniti coronariene
- terapie intensiv / anestezie - reanimare
- urmrirea pre / post - operatorie
- monitorizarea perinatal
- administrarea bazei de organe pentru transplant.
3.4. OBIECTIVE SPECIFICE N DEPARTAMENTE PARACLINICE I SERVICII
a) Explorri funcionale - se nregistreaz diverse semnale biologice:
- explorri respiratorii
- ECG, EEG, EMG
- investigaii n efort, etc.

b) Radiologie i imagistic - au specific obinerea de imagini i necesit
calculatoare cu mare capacitate de stocare, memorie mare i vitez ridicat de transfer a
datelor:
- radiografie (radioscopie)
- CT (computer - tomografie)
- RMN (rezonan magnetic nuclear)
- PET (positron emission tomography)
- imagini echografice.

c) Laboratorul clinic - o serie de particulariti pot fi menionate aici:
- identificarea probelor prin coduri cu bare (bar codes - care ofer o mare
operativitate) sau dispozitiv de citire OCR (Optical Character Readers)
- automatizarea comenzii (solicitrii) de analize - n cazul n care este un
pacient internat aceasta poate fi transmis prin reea i pe aceeai cale pot fi primite i
rezultatele - inclusiv cu precizarea metodei (unele teste pot fi realizate prin mai multe
metode i exist uoare diferene ntre domeniile normale acceptate n funcie de
metod)
- multe aparate de laborator permit o conectare la calculator i au grad nalt de
automatizare al procesrii.

d) Laboratorul de patologie - cu rol important n diagnoza a dou tipuri de
probe:
- pe probe bioptice de la pacieni
- pentru diagnoza post mortem.
n activitatea medicului patologist un rol important l joac experiena
ctigat prin citirea unui numr imens de lame; deseori medicul patologist apeleaz
la cri i atlase cu diverse imagini i le compar cu cazul real; acestea pot fi acum
furnizate de calculator; de asemenea s-au realizat unele sisteme expert care apeleaz la
o serie de parametri numerici (numr de mitoze, dimensiunea i forma nucleilor,
coninutul de AND).


215

e) Farmacia
Sistemul informational al unei farmacii de spital, care asigur servicii pentru
toate celelalte departamente are numeroase sarcini ce pot fi grupate n:
i
0
- activiti legate de asistena medical:
- evidena tuturor reetelor servite
- verificarea prescripiilor
- furnizarea de informaii la zi doctorilor i asistentelor
- prepararea reetelor magistrale
ii
0
- activiti logistice:
- aprovizionare
- eviden stocuri i termene de valabilitate
- lista furnizorilor
iii
0
- activiti managerial.
4. SISTEME INFORMATICE DE SPITAL (SIS)
Spitalul reprezint unitatea tipic de organizare a asistenei medicale de
specialitate. n paragraful precedent am trecut n revist sistemele informatice din
departamentele implicate direct n asistena medical: departamentele clinice,
paraclinice i servicii medicale. Spitalul constituie un sistem complex, care integreaz
att activitile medicale din departamentele clinice i paraclinice, ct i ntregul lan de
activiti conexe (administrative, financiare i manageriale).
4.1. TIPURI DE DATE N SPITAL
Disponibilitatea informaiilor, n special sub form de date este un factor
cheie n funcionalitatea unui sistem att de complex.
Trebuie s facem aici distincie ntre dou tipuri de date: orientate pe pacient,
respectiv orientate pe spital.
a) Date orientate pe pacient - sunt datele primare ale departamentelor clinice
i paraclinice; din fiierele pacienilor se construiesc celelalte fiiere - rapoarte,
centralizri etc. Coninutul datelor orientate pe pacient este dinamic i n cretere prin
dezvoltarea metodelor de investigaie i terapeutice.
b) Date orientate pe spital - care cuprind datele referitoare la ntreaga
activitate managerial i financiar contabil precum i datele sintetice extrase din
fiierele activitii medicale directe.
4.2. CONCEPTUL DE SIS
Pentru a putea mai bine defini noiunea de Sistem Informatic de Spital prin
sfera sa de cuprindere s trecem n revist principalele funciuni pe care trebuie s le
ndeplineasc:
- sprijinirea activitilor zilnice la nivelul asistenei medicale directe
- suport n planificarea acestor activiti
- sprijin n aciunea de control i corecie a activitilor medicale
- extragerea informaiilor cu caracter statistic-populaional
- accesul la baza de date medicale pentru cercetarea clinic


216

a) Scopul SIS: utilizarea calculatoarelor pentru colectarea stocarea i
prelucrarea informaiei privind asistena acordat pacienilor, precum i administrarea n
toate activitile legate de spital i a satisfacerii cerinelor funcionale.
Crearea unui SIS asigur:
- o utilizare mai eficient a resurselor (ntotdeauna limitate!) disponibile
pentru asistena acordat pacienilor
- mbuntirea calitativ a serviciilor oferite
- un sprijin operativ pentru nivelele centrale n vederea cunoaterii strii de
sntate a populaiei ntr-un teritoriu
- cadrul adecvat pentru nvmntul medical i pentru cercetare.

b) Componentele SIS
- Baza de date a pacienilor. Cum n centrul activitilor medicale se gsete
pacientul, poziia central n SIS o ocup aceast baz de date. Ea trebuie creat astfel
nct dezvoltarea ulterioar a tehnicii de calcul sau limbajelor s permit utilizarea ei n
continuare.
- Aplicaiile - reprezentate de diferitele programe de prelucrare a datelor din
baza de date, pornind de la programele simple pentru introducerea i modificarea
datelor, prezentarea fiei pacientului, reprezentri grafice pentru evoluia pacientului
pn la programe de centralizare pe zile, boli, tratamente, medicaii, investigaii precum
i analize statistice de diverse tipuri.
- Sistemul de comunicaie -care cuprinde facilitile de legtur ntre baza de
date i utilizatorii individuali; la acest nivel se poate realiza limitarea acccesului
diferiilor utilizatori.
- Terminalele de lucru - care se gsesc distribuite n clinici, laboratoare,
servicii i birouri.

Schematic putem reprezenta componentele SIS ca n figura V.2.
Figura V.2. Componentele sistemului informatic de spital: utilizatorii de la
terminalele de lucru T au acces la baza de date BD prin sistemul de
comunicaie C, folosind diferite aplicaii A


217

4.3. ARHITECTURA UNUI SIS
Evoluia sistemelor informatice de spital a relevat posibilitatea unor abordri
diferite, cele mai uzuale arhitecturi fiind:
a) Sisteme monolitice - concepute i construite ntr-o viziune unitar iniial;
au avantajul unei bune compatibiliti ntre componente, ns dezavantajul de a fi
scumpe ca investiie unitar; s-au dovedit a fi mai puin flexibile i mai greu de conectat
la sisteme externe diferite sau de adaptat la creteri neprevzute.
b) Sisteme evolutive - care au aprut ca necesitate a adaptrii permanente a
arhitecturii la necesiti; putem aici distinge dou situaii:
- extinderea sistemelor monolitice (sisteme evolutive de tip I) prin adugarea
de noi componente
- conectarea unor sisteme izolate (sisteme evolutive de tip II) care sunt cele
mai frecvente. Foarte multe SIS actuale au aprut prin integrarea la un moment dat a
unor sisteme departamentale izolate. Dei exist numeroase dezavantaje (deseori
fiierele bazelor de date nu au concepie unitar), se folosesc limbaje diferite i
calculatoare diferite, marele avantaj al cheltuielilor mai reduse i dezvoltrile flexibile
au fcut ca acest sistem s fie cel mai frecvent.
c) Sisteme distribuite - destul de asemntoare ca idee cu sistemele evolutive
de tip II, prin adoptarea n arhitectur a unor componente diferite, care pot chiar rula pe
platforme diferite (cu diferite sisteme de operare) i s comunice cu baza de date pe
baza unor protocoale standard de comunicaie.
4.4. STRUCTURA UNUI SIS
n schema din figura V.3 este prezentat structura unui SIS.

Figura V.3. Structura unui sistem informatic de spital
Un astfel de sistem conine dou magistrale de comunicaie:

a) - magistrala de date medicale - la care sunt conectate toate departamentele
care lucreaz cu date orientate pe pacient, att departamentele clinice, notate DC
(medicin intern: cardiologie, nefrologie, gastroenterologie, endocrinologie, boli
metabolice, hematologie; departamente chirurgicale: chirurgie general, urologie,
neurochirurgie, chirurgie cardio-toracic, ORL, oftalmologie; departamente complexe:
oncologie, obstetric - ginecologie; pediatrie, psihiatrie, boli infecioase (de obicei
localizate n cldiri diferite - etc), ct i departamentele paraclinice (laborator clinic,

218

radiologie i imagistic, endoscopie, explorri funcionale, laborator de patologie,
medicin nuclear, anestezie etc.), departamente de monitorizare (terapie intensiv,
unitate coronarian, reanimare, dializ), departamente de servicii medicale (farmacie,
centrul de transfuzii, medicin legal, morga) etc.

b) - magistrala de date de spital - la care sunt conectate toate serviciile
administrative, manageriale i de suport logistic: blocul operator, blocul alimentar,
serviciul tehnic/ntreinere, staia de salvare, serviciul aprovizionare, serviciul personal,
contabilitate-financiar i conducerea spitalului.
4.5. INTEGRAREA SIS
Noiunea de integrare n terminologia de aici reprezint faptul c SIS nu este
izolat (reea local), ci conectat la alte sisteme informatice, cu activiti conexe, ntre
SIS i respectivele reele.
n figura V.4 este prezentat o schem cuprinznd conexiunile posibile ale
unui sistem informatic de spital, cu alte reele cu care exist permanente schimburi de
date. Schimburile ntre reele sunt asigurate prin calculatoare de comunicaie numite
Gateway, care permit cuplarea unor calculatoare cu sisteme de operare diferite (Unix,
Windows, DOS, Apple).

Figura V.4. Integrarea unui sistem informatic de spital
Sistemul integrat cuprinde urmtoarele componente:

a) SIS - Reeaua de spital - care n contextul nostru constituie coloana
vertebral a ntregrului sistem, i este reprezentat prin poriunea ntre cele dou
servere gateway.

b) Reeaua academic - marile uniti spitaliceti constituie i o baz de
nvmnt: att a viitorilor medici i cadrelor medii auxiliare (asistente, tehnicieni,
etc.), ct i nvmntului postuniversitar. Acesta are loc att n forma tradiional
(rezideniat - formare a medicilor de specialitate), ct i ca educaie continu pentru
aducerea la zi a nivelului cunotinelor cadrelor medicale, n condiiile actuale n care
apar continuu noi cunotine, metode, medicamente. Reeaua academic permite
utilizarea bazelor de date ale clinicilor i programelor pentru procesul educaional.


219

c) Reeaua de bibliotec - cu menirea de a asigura documentarea cadrelor
medicale i a studenilor. Cel mai adesea o astfel de reea are un server cu posibiliti
de a servi simultan multe sisteme de calcul conectate la Internet.

d) Reeaua de cercetare - omniprezent n spitalele universitare, dar i n alte
spitale - permite cuplarea diferitelor laboratoare de cercetare n reeaua integrat;
schimbul de informaii este bidirecional: laboratorul de cercetare necesit deseori date
clinice n timp ce departamentele clinice doresc s aib la dispoziie ct mai curnd cele
mai recente nouti tiinifice.

e) Reeaua de asisten medical primar. Trebuie s remarcm mai nti
faptul c sistemele informatice ale asistenei medicale primare sunt deseori izolate, ns
sunt deja create premizele ca astfel de reele ce interconecteaz mai multe circumscripii
/ cabinete de medicin general. Legarea acestor reele la un sistem integrat ofer
avantaje att medicilor generaliti (prin accesul la datele pacienilor crora li se acord
asistena de specialitate, prin accesul la bazele de cunotine etc.) ct i spitalului, pentru
transfer rapid de date i urmrirea ambulatorie lejer.
4.5. EXEMPLE DE SIS
Pn n prezent au fost realizate numeroase sisteme informatice de spitale. n
literatura de specialitate sunt menionate cteva mai deosebite, n care s-au experimentat
diferite soluii i s-au creat de fapt standardele de construcie, astfel ncat ele au putut fi
actualizate pe paarcursul evolutiei tehnologice.
- Sistemul HISCOM - creat de firma Hiscom din Olanda - este un sistem
complet, cu grad nalt de integrare, nceput n 1975
- Sistemul DIOGENE - creat la spitalul Cantonal din Geneva - cu arhitectur
monolitic, construit n perioada 1971-1978
- Sistemul MGS (Massachusetts General Hospital) - creat la Boston, n
perioada 1965-1970
Mai menionm sistemele de la King s College (Londra), Universitatea din
Hanovra, Spitalul din Stokholm, Spitalul de Reabilitare din Texas, Spitalul Universitar
din Tokyo. Sistemul informatic al reelei de spitale VA (Veterans Administration) din
Statele Unite este aproape n ntregime n form electronic (96% paperless), fiind unul
dintre exmplele de succes n domeniu.
O prima ncercare n Romnia a fost un proiect de realizare a unui SIS la
Spitalul Fundeni din Bucureti, demarat n anul 1980, dar nefinalizat. n prezent, un
sistem informatic bine realizat, cu grad de complexitate deosebit este cel al Serviciului
de Salvare din Bucureti.
5. SISTEME INFORMATICE MEDICALE LA NIVEL CENTRAL
n fiecare ar exist un specific al organizrii ierarhice a activitilor
medicale. n principiu ns se respect structura prezentat de noi, pornind de la
asistena medical primar asigurat n circumscripii / cabinete de medicin general,
spre cea de specialitate, avnd ca unitate fundamental de organizare spitalul, conform
schemei de flux informaional prezentat n figura III.4.1. Dinspre aceste uniti care
asigur asistena medical direct, se centralizeaz date ctre aa numitul nivel central.
Aici se disting urmtoarele trepte specifice n Romnia:


220

5.1. NIVEL TERITORIAL
DSJ (Directiile Sanitare Judetene) organizeaz i supravegheaz activitile de
asisten medical la nivel teritorial - jude. La acest nivel se face centralizarea primar
a datelor, fiind primul nivel de sintez.
n plus, n judee exist Case de Asigurri de Sntate judeene, ca filiale ale
Casei Naionale de Asigurri de Sntate (CNAS) ele raporteaz ctre CNAS, dar au
i un anumit grad de autonomie local.
5.2. NIVEL NAIONAL
a) Ministerul Sntii - centralizeaz la nivel naional datele privind
ocrotirea sntii i asistena medical. n cadrul MS funcioneaz Centrul Naional de
Statistic Sanitar care concentreaz toate informaiile i redacteaz rapoartele de
sintez la nivel naional. Pe acestea ministerul le analizeaz, le prezint guvernului i ia
msurile cuvenite pentru ridicarea calitii ocrotirii sntii i asistenei medicale.
De menionat c reeaua farmaceutic are o ierarhie teritorial paralel reelei
de asisten medical, datele fiind centralizate la Oficiul Central Farmaceutic.

b) Casa Nationala de Asigurari de Sanatate (CNAS) primete informaii i
finaneaz serviciile de ngrijire a sntii din: asistena primar la nivelul medicilor de
familie, asistena n ambulatorii de specialitate, asisten n spitale (att pentru
afeciunile acute, ct i pentru cele cronice).

c) Alte ministere - n Romnia, pe lng reeaua MS care satisface majoritatea
aciunilor de asisten medical, exist unele ministere care au reele proprii de asisten
medical: Ministerul Transporturilor, Ministerul Aprrii Naionale i Ministerul de
Interne.

d) Organe Centrale. Exist activiti cu caracter medical (direct sau conex),
desfurate i n alte organisme:
- uniti ale Ministerului Muncii i Proteciei Sociale (azile de btrni,
inspectorate pentru handicapai etc.)
- uniti ale Poliiei Sanitar-Veterinare.
Unitile de nivel central (judeean sau naional) au datoria de a asigura legtura cu
diferite alte uniti n probleme comune (de ex. alimentarea cu ap, colectarea i
depozitarea gunoaielor, diverse aspecte ecologice etc.).
Date DRG baza informaional pentru finanarea spitalelor
ncepand cu 2004, finanarea spitalelor n Romnia se face prin plata prospectiv
bazat pe sistemul DRG (Diagnosis Related Groups). Sistemul a fost iniial introdus
experimental ntr-un singur spital (Cluj, 1999) printr-un proiect finanat de USAID, apoi
n 23 de spitale (2002) experiena fiind apoi aplicat la nivel naional.
Sistemul DRG reprezint o schem de clasificare a pacienilor care permite
relaionarea tipurilor de pacieni tratai ntr-un spital (i.e. case-mix-ul) cu costurile
crora el trebuie s le fac fa. Concepia i dezvoltarea sistemului a nceput la
universitatea Yale la sfritul anilor 1960. Motivaia iniial pentru dezvoltarea lui a
constituit-o crearea unui cadru care s permit monitorizarea calitii i a utilizrii
serviciilor n domeniul ngrijirii sntii. El s-a extins treptat n SUA i n 1983 a
devenit sistemul de plat prospectiv la nivel naional pentru toi pacienii Medicare
(i.e. toi cetenii de peste 65 de ani din Statele Unite).

221

n prezent, sistemul DRG se utilizeaz nu numai pentru pacienii Medicare, ci este
folosit ca metod preferat de rambursare pentru majoritatea companiilor de asigurari i,
cu modificari, a fost introdus n Australia i n mare parte din rile europene. Evoluia
sistemului DRG i utilizarea lui ca unitate de baz n plata spitalelor reprezint o
recunoatere a rolului fundamental pe care case-mix-ul unui spital l joac n
determinarea costurilor. Utilizarea altor caracteristici n stabilirea costurilor (statutul de
spital universitar, numrul de paturi, etc.) a euat n gsirea unor explicaii
convingatoare att privind diferenele de costuri dintre spitale ct i noiunile de
complexitate a cazurilor tratate. Sistemul DRG a fost primul sistem operaional care a
oferit mijloacele de a defini i a cuantifica noiunea de complexitate case-mix.
Termenul de complexitate case-mix este utilizat ca referin la un set de atribute ale
pacientului care sunt inter-relaionate dar distincte i includ: severitatea bolii,
prognosticul, dificultatea tratamentului, necesitatea interveniei i intensitatea resurselor
utilizate.
n sistemul DRG original exist 25 de grupe diagnostice i clasificarea pacienilor
n acestea se face pe baza diagnosticelor ICD (International Classification of Diseases
recomandat de Organizaia Mondial a Sntii) prin care este descris cazul respectiv.
Majoritatea rilor europene i Australia au adoptat deja ICD-10 (versiunea 10 ICD)
uneori modificat la nevoile proprii, n timp ce Statele Unite a rmas nc pe ICD-9,
care are mai multe grupe diagnostice. n diferite ri europene sistemul de clasificare i
finanare a fost adaptat la cerinele i cultura instituional proprii.
Romnia a nceput cu sistemul american i continu cu cel australian, ncepand cu
jumtatea anului 2007. O dificultate major o constituie dezvoltarea de valori relative
locale pe baza datelor de costuri la nivel de pacient, precum i organizarea i
dezvoltarea unei structuri de evaluare a calitii serviciilor furnizate de spitale.
Un sistem de codificare mai complex este SNOMED, care permite o abordare
ontologic a informaiei medicale, dar nc nu este utilizat pe scar larg.
5.3. NIVEL INTERNAIONAL
Este tot mai evident c nici o ar nu poate neglija contextul global n care este
integrat i multe probleme (inclusiv de ordin medical) sunt comune. Deschiderea
granielor, circulaia intens, turismul etc. impun intensificarea comunicrii
internaionale. n domeniul medical exist un organism cu sediul la Geneva: OMS -
Organizaia Mondial a Sntii, care are mai multe departamente i care asigur
comunicarea datelor i informaiilor medicale la nivel mondial. Romnia este membr a
OMS nc de la nfiinare (1950).
Comunicarea la nivel internaional este asigurat i prin intermediul unor
societi sau asociaii internaionale; de exemplu n domeniul informaticii medicale,
Romnia este membr att a EFMI (Federaia European de Informatic Medical) ct
i IMIA (Asociaia Internaional de Informatic Medical).
Organismele internaionale au rol informativ i consultativ fiind deseori
promotoarele unor proiecte preluate apoi la nivel naional. n domeniul informaticii
medicale problemele majore care se discut privind sistemele informatice medicale
integrate sunt cele referitoare la protecia datelor i cele referitoare la standardizare, pe
care le vom trece n revist n cele ce urmeaz. Ca i in celelalte probleme legate de
ngrijirea sntii, n informatica medical Uniunea European nu d directive ci doar
face recomandri statelor membre.

222

6. PROBLEME SPECIFICE N SISTEME INFORMATICE
6.1. PROTECIA DATELOR
Realizarea oricrui sistem informatic (de fapt orice conexiune ntre
calculatoare) ridic probleme legate de asigurarea confidenialitatii i proteciei datelor.
Apare aici o contradicie: pe de o parte unul din scopurile pentru care se realizeaz
sistemele informatice este chiar asigurarea accesibilitii datelor, pe de alt parte datele
medicale au un specific aparte, caracterul individual privat impunnd ca aceste date s
fie confideniale. De asemenea, dorim s asigurm integritatea lor, deci s nu fie
afectat coninutul lor (fie accidental, fie intenionat). Termenii legai de aceste aspecte
sunt urmtorii:
a) Confidenialitatea - datele medicale ale unui pacient sunt considerate
confideniale; accesul la ele trebuie deci s fie limitat la un numr redus de persoane.
Metode de asigurare a confidenialitii: folosirea unor parole pentru a accesa
fie ntregul fiier (sau unele cmpuri) fie programele; codificarea identitii pacientului.
b) Protecia datelor - reprezint msurile mpotriva deteriorrii accidentale -
neatenie n manevrare, defeciuni tehnice.
Metode uzuale de protecie: salvarea datelor i programelor prin realizarea
periodic (zilnic) a unor copii de siguran (back-up) pe suport extern; de asemenea, se
stabilesc nite reguli stricte de operare i eviden.
c) Securitatea datelor - reprezint msurile mpotriva accesului sau
deteriorrii intenionate a datelor sau programelor.
Metode uzuale de securitate: introducerea unor parole de acces pentru diferite
nivele sau chiar msuri hardware - folosirea unor cartele, chei etc.
Asigurarea confidenialitii i integritii componentelor SIS impune stabilirea
unor msuri att la nivelul conducerii spitalului ct i la nivelul departamentelor. Ele pot
fi grupate n trei categorii:

i
0
- msuri hardware(sau de echipament):
- uneori echipamentele centrale sunt duplicate
- calculatorul central - ntr-o sal ncuiat, cu acces limitat
- calculatoarele s permit accesul dup identificarea persoanei cu o cartel
(magnetic, optic sau chip)
- instalaie de avertizare a accesului neautorizat
- protecie mpotriva inundaiilor
- instalaii de aer condiionat

ii
0
- msuri software:
- teste de verificare a programelor (cu date foarte variate)
- teste de validare a datelor introduse (att la introducere ct i cu anumite
periodiciti)
- identificarea utilizatorului - cu parole - i a nivelelor de acces prestabilite:
citire integral sau parial; se recomand modificarea periodic a parolelor
- pstrarea versiunii anterioare
- evidena actualizrilor n toate fiierele n care apar date ce se modific

iii
0
- msuri organizatorice care trebuiesc sistematizate ntr-un Regulament
al sistemului informatic i care trebuie s includ cel puin:
- precizarea exact (separarea) a sarcinilor

223

- prevenirea situaiilor n care prea multe privilegii aparin unei singure
persoane (situaii care cresce riscul de abuz)
- clasificarea datelor n grupe diferite, cu acces depinznd de tipul de date
- legarea accesului la date de vechimea lor sau de originea lor
- elaborarea unor manuale de operare pentru fiecare funcie n sistem, cu
precizarea procedurilor de urmat n diferite situaii
- managementul autorizaiilor trebuie de asemenea elaborat innd cont de
structura organizatoric a unitii.
6.2. STANDARDIZAREA
Termenii de standard i standardizare, folosii frecvent n tehnic preau a fi
greu adaptabili la activitatea medical care manevreaz numeroase noiuni fuzzy
(definite vag). Totui, n ultimul timp se discut din ce n ce mai intens despre
standardizare pentru cel puin dou motive:
- asigurarea calitii serviciilor prin instalarea unor norme precise pentru toate
activitile, asigurndu-se o responsabilitate bine precizat a tuturor persoanelor
implicate n ansamblul activitilor
- posibilitatea schimbului eficient de informaii ntre uniti diferite - prin
precizarea semnificaiei termenilor.

a) Definiii -dup ISO (International Standards Organization).
Standardizare - operaiunea de stabilire a unor reguli de desfurare a unor
aciuni, privind probleme actuale sau poteniale, pentru atingerea unui grad optim de
ordine ntr-un context dat.
Standard - este un document stabilit prin consens i aprobat de un organism
recunoscut, ce stipuleaz, pentru aciuni comune i repetate, reguli i criterii pentru
activiti sau rezultatele lor, cu scopul de a atinge un grad optim de ordine ntr-un
context dat.
Standardele din domeniul informaticii medicale permit interoperabilitatea ntre
sistemele informaionale de sntate.

b) Organisme naionale i internaionale
- ONS - Oficiul Naional de Standarde din Romnia, Comitetul Tehnic 319
- CEN - Comitetul European pentru Standardizare (norme)
- CEN/TC251 - Comitetul Tehnic European pentru Informatic Medical
- ANSI - Institutul Naional American de Standarde
- ISO - Organizatia Internaional pentru Standarde.

c) Etapele lansrii unui standard european
La nivelul CEN, n diferitele comitete tehnice se elaboreaz proiectele de
standarde care trec prin urmtoarele etape:
ENV - pre-standard european: form preliminar anunat pentru a fi verificat
pe o perioad de 3 ani la nivele naionale
EN - standard european: un prestandard acceptat devine norm obligatorie;
prevederile naionale care nu sunt n concordan trebuie retrase pentru adaptarea
deplin a standardului
CR - CEN - raport: este prestandard la care nu s-a ajuns la consens, ns are
prevederi att de importante nct sunt fcute publice; totodat pot deveni CR alte
documente normative care nu sunt propuse ca standarde

224

HD - Harmonization Document este un standard adaptat ca i EN, dar
permite unele variaii naionale pentru o perioad de tranziie.

d) Caracteristicile unui standard
Enunarea unui standard trebuie s ndeplineasc anumite condiii, denumite
precurtat SMART:
. S - specific - obiectul s fie bine definit, clar, fr ambiguiti

. M - msurabil - aciunile s poat fi msurate i exprimate cantitativ i
calitativ
. A - acceptabil de ctre instituiile care l utilizeaz
. R - realistic - s cuprind aciuni ce pot fi intreprinse practic
. T - time-related aciunile trebuiesc precizate n timp ca termene i durate.

e) Standardul HL7
HL7 este o organizaie internaional, nfiinat cu mai bine de 20 de ani n
urm, care dezvolt standarde pentru schimbul de informaii electronice n domeniul
sntii, precum i de management i integrare a acestor informaii. HL7 nu dezvolt
software, ci specificaii (e.g. messaging standard) care s permit interoperabilitatea
aplicaii disparate s poat schimba cel puin un set minimal de date clinice i
administrative.
Standardul HL7 permite interoperabilitate:
tehnica datele pot fi mutate din sistemul A n sistemul B
semantica asigur c sistemul A i sistemul B nteleg datele n acelai fel
de proces permite ca activitile organizaiilor care gzduiesc sistemele
A i B s fie compatibile i s se desfoare mpreun.
RK Bali, AN Dwivedi (eds). Healthcare knowledge management. Springer, New
York, 2007
JH van Bemmel, MA Musen (eds). Handbook of Medical Informatics. Springer,
Heidelberg, 1997
A Bowling. Research methods in health: investigating health and health services.
Open University Press, McGraw-Hill House, Maidenhead England, 2002
DRG Romania: http://www.drg.ro/
HL7 web site: http://www.hl7.org
ICD-10. International Statistical Classification of Diseases and Related Health
Problems 10th RevisionVersion for 2007.
http://www.who.int/classifications/apps/icd/icd10online
SNOMED. International Health Terminology Standards Development Organisation:
http://www.ihtsdo.org/
L. Stoicu-Tivadar. Sisteme informatice aplicate in sanatate. Editura Politehnica,
Timioara, 2005

Carte Curs InfoMedBiostat2009

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Carte Curs InfoMedBiostat2009

Încărcat de

Drepturi de autor:

Formate disponibile

1

X (4,84 - 0,23 ; 4,84 +0, 23)

si a vor fi date de:

Y pentru fiecare X se calculez cu:

S-ar putea să vă placă și