CC BY
8
Использованные источники:
1. Касаткин А.С., Перекалин М.А. Электротехника. 7-е изд. Москва,1959.-С. 10-15
Тушенцова К.В.
2 курс магистры
кафедра информационных технологий предпринимательства
Санкт-Петербургский Университет аэрокосмического приборостроения Россия, г. Санкт-Петербург СОВРЕМЕННЫЕ АНАЛИТИЧЕСКИЕ ТЕХНОЛОГИИ В МЕДИЦИНЕ
Статья посвящена обработке медицинских данных. В статье рассматриваются совремненные технологии обработки медицинских данных.
Ключевые слова: сбор информации, электронный документооборот, объемы данных, мед данные, Data Mining, ассоциативное моделирование, база данных.
CONTEMPORARY ANALYTICAL TECHNOLOGIES IN
MEDICINE
Info gathering (data mining), electronic data interchange, data volumes, medical data, associative modeling, database.
Информатизация здравоохранения в масштабах страны началась со старта разработки проекта единой информационной системы «Электронная регистратура» в 2009 году. Комплексная информационная автоматизированная система «Электронная регистратура» предназначена для записи пациентов на прием в медицинских учреждениях в целях улучшения качества медицинского обслуживания населения. Одна из основных идей проекта - автоматизация процесса записи пациентов путем уменьшения очередей в регистратурах поликлинических учреждений. Благодаря данной системе появилась возможность дистанционно записаться на прием к врачу в удобное для пациента время. На сайте в режиме «он-лайн» предоставляется полная информация о времени приема и количестве доступных талонов. Сервис электронной записи к врачу стал точкой невозврата в программе информатизации здравоохранения. [1]
Вместе со сбором информации и переходом на электронный документооборот возникли огромные объемы накопленной информации. Встала задача к использованию информационных компьютерных технологий для первичной обработки информации для увеличения эффективности работы медицинского учреждения и более качественного лечения населения страны. Гигантские объемы данных уже тяжелее обрабатывать врачами статистами традиционными средствами анализа данных.
На данный момент новейшей технологией, занимающейся обнаружением нового знания в хранилищах медицинских данных является
Data Mining. Data Mining или «разработка данных» - исследование и обнаружение «машиной» средствами искусственного интеллекта в сырых данных скрытых структур или зависимостей.
IBM SPSS Modeler представляет собой одно из наиболее распространенных и мощных решений в области Data Mining.
IBM SPSS Modeler - это платформа прогнозной аналитики, позволяющая применять прогнозную информацию при принятии решений на уровне отдельных пользователей, групп, систем или предприятия. Платформа предоставляет набор усовершенствованных алгоритмов и технологий, в том числе анализ текста, анализ сущностей, управление решениями и их оптимизацию, что поможет выбрать действия, приводящие к наилучшим результатам. [0]
Объемы данных, хранящиеся в федеральном центре обработки данных будут постоянно пополняться и очень быстро достигнут внушительных размеров. [0]Одним из алгоритмов способных обнаружить знания в таком объеме данных может стать алгоритм поиска ассоциативных правил. Ассоциативные правила позволяют находить закономерности между связанными событиями. Первый алгоритм поиска ассоциативных правил, называвшийся AIS был разработан в 1993 году сотрудниками исследовательского центра IBM Almaden. С этой пионерской работы возрос интерес к ассоциативным правилам; на середину 90-х годов прошлого века пришелся пик исследовательских работ в этой области, и с тех пор каждый год появлялось по несколько алгоритмов. [0]
Ассоциативное моделирование является одним из самых простых в создании, понимании и реализации методов прогностического анализа, позволяющих формировать подобные рекомендации. Алгоритмы построения ассоциативных моделей могут быть самыми разными, от довольно простых статистических процессов до сложных методов на базе машинного обучения. Ассоциативные модели способны предоставить целевые рекомендации, которые могут быть интересны с точки зрения медицины.
В данной работе цель состоит в том, чтобы обнаружить группы пациентов, которые могут быть охарактеризованы такими параметрами как возраст, заболевание, и которые могут иметь предпосылки к аналогичными болезнями в определенный период времени.
Мощный аналитический инструмент IBM SPSS Modeler поддерживает все этапы интеллектуального анализа данных, от подготовки данных до построения, развертывания и сопровождения моделей. [0] Программное обеспечение для прогнозного анализа помогает находить неочевидные, скрытые закономерности в больших наборах данных. Ассоциативные правила дают широкие возможности в применении на медицинских данных. Они обладают рядом существенных преимуществ перед остальными методами интеллектуального анализа данных в этой области.
В обезличенной реальной базе данных с помощью пакета IBM SPSS
Modeler применив моделирование правила ассоциации и выявления связей есть возможность показать и выявить некоторую группу однородных характеристик.
Обобщив и сгруппировав имеющуюся базу по параметрам: возрастная категория, длительность лечения, распределение по сезонам года, длительность лечения, среднее по возрасту пациентов и времени лечения
Использованные источники: http://www.er63.ru/possibilities/
Приказ Министерства здравоохранения и социального развития РФ от 28 апреля 2011 г. № 364 «Об утверждении концепции создания единой государственной информационной системы в сфере здравоохранения» Д. В. Бабин, «Искусственный интеллект» 4'2006 Руководство пользователя IBM SPSS Modeler
Уваров Д. М. инженер Васильев П. П. инженер Степанова А. В. инженер-исследователь кафедра биохимии и биотехнологии Северо-Восточный федеральный университет
Россия, г. Якутск МОДИФИКАЦИЯ ЛИШАЙНИКОВОГО ПОРОШКА МЕХАНОАКТИВАЦИОННОГО СПОСОБА ПОЛУЧЕНИЯ
ДИОКСИДОМ КРЕМНИЯ В статье представлены результаты по усовершенствованию биотехнологии получения двухкомпонентного препарата путем совместной механоактивации талломов лишайника и вспомогательной добавки диоксида кремния с целью модификации технологических свойств для
