UNIVERSITATEA DE MEDICINA SI

FARMACIE “Victor Babeş” TIMISOARA

DISCIPLINA DE
INFORMATICA MEDICALA

www.medinfo.umft.ro/dim
CURSUL 11
 Decizia medicală
asistată de calculator
I
 1. Decizia medicală

1.1. Direcţii
a) Stabilirea diagnosticului
b) Alegerea investigaţiilor
c) Optimizarea tratamentului
d) Decizii manageriale
 a) Stabilirea diagnosticului

• Istoric
 b) Alegerea investigaţiilor

• Investigatii scumpe sau invazive

c) Optimizarea tratamentului
a) Tratamentul tumorilor prin radiatii
b) Tratament medicamentos
 d) Decizii manageriale

 Planificarea si utilizarea
resurselor, optimizari
1.2. Clasificarea metodelor:
dupa modul de reprezentare a cunostintelor

a) logice - simbolic 1/0 (da/nu)

b) statistice - probabilitati
c) euristice - propozitii
1.3. Principiul metodelor de
diagnostic asistat
2. Metode logice
2.1. Principii constructive:
-Logica bivalentă ( DA / NU)
-BC: baza de cunostinţe =
matricea B/S: boli/simptome
-date: vectorul de stare al
pacientului (PAC)
 Schemă
S1 S2 S3 ...... Scor
B1 1 0 1 2/8
B2 0 1 1 3/6
BC
.… ....
.............................................
PAC 0 1 0
 2.2. Tipuri de metode logice
 După construcţia vectorului PAC:
 A) Tabele de simptome

alegere simptome din meniu
 B) Arbori de decizie

succesiune de întrebări cu răspuns Da/Nu

evitarea întrebărilor inutile

implicarea pacientilor
2.3. Dezavantajele metodelor
logice

nu tin cont de “importanta” unor
simptome

nu pot cuantifica intensitatea
simptomelor
 AVANTAJ:

nu tin cont de “prevalenta” unor
afectiuni
3. Metode statistice

 regula lui Bayes

 pattern recognition
 3.A. Regula lui Bayes

a) Baza Cun.: probabilităţile:

 fiecărei boli în populaţie: p(B+)

 fiecărui simptom în fiecare
boală: p(S+/B+)
b) Tabel pt calculul p(B+/S+)
(pentru fiecare pereche Boală/Simptom)

S+ S-
B+ a b L1
B- c d L2
C1 C2 N
 c) Probabilitate

 necondiţionată: P(B+) = L1/N

 condiţionată: P(S+/B-) = c/L2
d) Regula lui Bayes

P(S/B) x P(B)
P(B/S) =
P(S)
e) Aplicaţie
P(S/B) = a/L1
P(B) = L1/N
P(S) = C1/N
=> P(B/S) = a/C1
f) Pentru mai multe simptome

 evenimente compuse:

“sau” - suma prob.

“şi” - produs prob.
 trebuie verificat dacă sunt
independente :testul 2
3.B. Pattern recognition
 3.1 Noţiunea de pattern

 Operaţiunea de recunoaştere
 Definiţie pattern:
Ansamblu de atribute specifice care
permit clasificarea unui obiect
 Puterea de discriminare a atributelor
3.2. Variante de pattern recognition
a) M. Clasificării
 se împart obiectele pe diferite clase
 se selecteaza N atribute cu putere de discriminare
 se reprezintă obiectele în spaţiul N-dimensional
 se separă clasele
Baza de cun.: Reprezentarea claselor intr-un spatiu N-dimensional
corespunzator clasificarii
 problema: cărei clase îi aparţine un nou obiect?
 avantaj: similaritatea cu cazul real
b) Metoda grupării (clustering)

 se dau multe obiecte neclasificate

 se reprezintă în diverse spatii multi-dimensionale
 se analizeaza daca apar grupari de puncte (clustere)
 problema: se pot grupa în clase?
 avantaj: relevă proprietăţi noi (existenta unor clase sau sub-clase)
c) Sisteme de învăţare
(inteligenta artificiala)

 supervizată – m. clasificării
 nesupervizată – m. grupării
3.3. Construcţia unui pattern
 a) EXTRAGEREA ATRIBUTELOR

delimitarea claselor

definiţia funcţiei de proiectie
 Metode vectoriale

analiza componentelor principale

analiza discriminantă
 Metode structurale

ierarhizarea atributelor în categorii
3.4. Sinteza unui clasificator

 Funcţia de decizie

reguli geometrice

reguli statistice

reguli sintactice
Sfârşit