Информатика. 1 Информатика и информация в медицине понятие медицинской информации свойства медицинской информации Медицинская информатика
 Скачать 1.31 Mb.
|
|
12. Анализ зависимостей. Корреляционный и регрессионный анализ. Корреляционный анализ – это проверка гипотез о связях между переменными с использованием коэффициентов корреляции, двумерной описательной статистики, количественной меры взаимосвязи (совместной изменчивости) двух переменных. Таким образом, это совокупность методов обнаружения корреляционной зависимости между случайными величинами или признаками. Регрессионный анализ является статистическим методом исследования. Он позволяет оценить зависимость одной (зависимой) переменной от других (независимых) переменных. Самой простой является линейная регрессия. Ее формула такова: Y = a0 + a1x1 + … + anxn где Y — зависимая переменная, x — независимые переменные, влияющие на нее, a — коэффициенты регрессии. Зависимой переменной может выступать цена актива. Существует три основных случая использования данного метода: 1. Тестирование казуальных отношений между величинами. В этом случае исследователь определяет значения переменной и выясняет, влияют ли они на изменение зависимой переменной. Например, можно дать людям разные дозы алкоголя и измерить их артериальное давление. В этом случае исследователь точно знает, что первое является причиной второго, а не наоборот. Корреляционно-регрессионный анализ позволяет обнаружить прямо-пропорциональную линейную зависимость между данными двумя переменными и вывести формулу, ее описывающую. При этом сравниваться могут величины, выраженные в совершенно различных единицах измерения. 2. Нахождение зависимости между двумя переменными без распространения на них причинно-следственной связи. В этом случае нет разницы, какую величину исследователь назовет зависимой. При этом в реальности может оказаться, что на их обе влияет третья переменная, поэтому они и изменяются пропорционально. 3. Расчет значений одной величины на основе другой. Он осуществляется на основе уравнения, в которое подставляются известные числа. Таким образом корреляционный анализ предполагает нахождение связи (не причинно-следственной) между переменными, а регрессионный – ее объяснение, зачастую с помощью математической функции. 13 ПОПРОС. Сравнение групп. Дисперсионный анализ. Критерий Стьюдента. Дисперсионный анализ (ANOVA (Analysis of variation)) — метод, направленный на поиск зависимостей в экспериментальных данных путём исследования значимости различий в средних значениях. Целью дисперсионного анализа является проверка статистической значимости разницы между средними (для групп или переменных). Эта проверка проводится с помощью анализа дисперсии, т.е. с помощью разбиения общей дисперсии (вариации) на части, одна из которых обусловлена случайной ошибкой (то есть внутригрупповой изменчивостью), а вторая связана с различием средних значений. Последняя компонента дисперсии затем используется для анализа статистической значимости различия между средними значениями. Если это различие значимо, нулевая гипотеза отвергается и принимается альтернативная гипотеза о существовании различия между средними. t-критерий Стьюдента – общее название для класса методов статистической проверки гипотез (статистических критериев), основанных на распределении Стьюдента. Наиболее частые случаи применения t-критерия связаны с проверкой равенства средних значений в двух выборках. Данный критерий был разработан Уильямом Сили Госсетом для оценки качества пива в компании Гиннесс. В связи с обязательствами перед компанией по неразглашению коммерческой тайны, статья Госсета вышла в 1908 году в журнале «Биометрика» под псевдонимом «Student» (Студент). t-критерий Стьюдента используется для определения статистической значимости различий средних величин. Может применяться как в случаях сравнения независимых выборок (например, группы больных сахарным диабетом и группы здоровых), так и при сравнении связанных совокупностей (например, средняя частота пульса у одних и тех же пациентов до и после приема антиаритмического препарата). В последнем случае рассчитывается парный t-критерий Стьюдента 14)анализ качественных признаков Очень многие признаки невозможно измерить числом. Например, можно быть либо мужчиной, либо женщиной, либо, больным либо здоровым. Это качественные признаки. Эти признаки не связаны между собой никакими арифметическими соотношениями, упорядочить их также нельзя. Единственный способ описания качественных признаков состоит в том, чтобы подсчитать число объектов, имеющих одно и то же значение. Кроме того, можно подсчитать, какая доля от общего числа объектов приходится на то или иное значение. 1) Сопоставляемые показатели должны быть измерены в номинальной шкале (например, пол пациента - мужской или женский) или в порядковой (например, степень артериальной гипертензии, принимающая значения от 0 до 3) ) Данный метод позволяет проводить анализ не только четырехпольных таблиц, когда и фактор, и исход являются бинарными переменными, то есть имеют только два возможных значения (например, мужской или женский пол, наличие или отсутствие определенного заболевания в анамнезе...). Критерий хи-квадрат Пирсона может применяться и в случае анализа многопольных таблиц, когда фактор и (или) исход принимают три и более значений. 3) Сопоставляемые группы должны быть независимыми, то есть критерий хи-квадрат не должен применяться при сравнении наблюдений "до-"после". В этих случаях проводится тест Мак-Немара (при сравнении двух связанных совокупностей) или рассчитывается Q-критерий Кохрена (в случае сравнения трех и более групп). 4) При анализе четырехпольных таблиц ожидаемые значения в каждой из ячеек должны быть не менее 10. В том случае, если хотя бы в одной ячейке ожидаемое явление принимает значение от 5 до 9, критерий хи-квадрат должен рассчитываться с поправкой Йейтса. Если хотя бы в одной ячейке ожидаемое явление меньше 5, то для анализа должен использоваться точный критерий Фишера. 5) В случае анализа многопольных таблиц ожидаемое число наблюдений не должно принимать значения менее 5 более чем в 20% ячеек. Пример Гемодиализ позволяет сохранить жизнь людям, страдающим хронической почечной недостаточностью. При гемодиализе кровь больного пропускают через искусственную почку — аппарат, удаляющий из крови продукты обмена веществ. Искусственная почка подсоединяется к артерии и вене больного: кровь из артерии поступает в аппарат и оттуда, уже очищенная — в вену. Так как гемодиализ проводится регулярно, больному устанавливают артериовенозный шунт. В артерию и вену на предплечье вводят тефлоновые трубки; их концы выводят наружу и соединяют друг с другом. При очередной процедуре гемодиализа трубки разъединяют между собой и присоединяют к аппарату. После диализа трубки вновь соединяют, и кровь течет по шунту из артерии в вену. Завихрения тока крови в местах соединения трубок и сосудов приводят к тому, что шунт часто тромбируется. Тромбы приходится регулярно удалять, а в тяжелых случаях даже менять шунт. Руководствуясь тем, что аспирин препятствует образованию тромбов, Г. Хартер и соавт. решили проверить, нельзя ли снизить риск тромбоза назначением небольших доз аспирина (160 мг/сут). Было проведено контролируемое испытание. Все больные, согласившиеся на участие в испытании и не имевшие противопоказании к аспирину, были случайным образом разделены на две группы: 1-я получала плацебо, 2-я — аспирин. Ни врач, дававший больному препарат, ни больной не знали, был это аспирин или плацебо. Такой способ проведения испытания (он называется двойным слепым) исключает «подсуживание» со стороны врача или больного и, хотя технически сложен, дает наиболее надежные результаты. Исследование проводилось до тех пор, пока общее число больных с тромбозом шунта не достигло 25. Группы практически не различались по возрасту, полу и продолжительности лечения гемодиализом. В 1-ой группе тромбох шунта произошел у 18 из 25 больнных, во 2-ой – у 6 из 19 (табл). Можно ли говорить о статистически значимом различии доли больных с тромбозом, а тем самым об эффективности аспирина? Таблица результатов исследования представлена в следующем виде: Влияние аспирина на тромбоз: таблица сопряженности
Нулевая гипотеза:аспирин не влияет на возникновение тромбоза шунта. Уровень значимостипринимается 0,05. Запустите программу «Statistica», создайте новый документ. В меню выберите Анализ — Непараметрическая статистика/Statistics-Nonparametric>— Таблицы 2х2/ 2x2 Tables(X/V/Phi, McNemar, Fisherexact) >OK.  В появившемся окне введите значения из полученной таблицы сопряженности. При этом левый столбец соответствует левому столбику таблицы (Плацебо), а правый соответствует правому (Аспирин). Аналогичная ситуация и со строками.  Нажмите Summary.Появится таблица с результатами статистической обработки.  Так, из таблицы видно, что у больных, принимавших аспирин, тромбозы наблюдались в 13,6% случаев против 40,9% больных, принимавших плацебо. Однако необходимо оценить статистическую значимость полученного различия с помощью правильно подобранного критерия. Так как в данном случае анализ проводился таблицы сопряженности 2х2, то необходимо учитывать поправку Йейтса. Исходя из полученных значений критерия хи-квадрат(5,58)и вероятности p(0,0182), следует заключить, что видимые различия в клетках таблицы сопряженности значимы. Поэтому нулевая гипотеза отвергается. Аспирин действительно положительно влияет на снижение вероятности возникновения тромбоза шунта. Сравнение качественных признаков (выраженных в частотах) в 2-х независимых группах с помощью точного метода Фишера Нейрон — основная клетка нервной ткани. Он имеет тело и отростки двух типов. В теле нейрона располагается ядро и органоиды, а по отросткам передаются нервные импульсы. Дендриты — это отростки, по которым нервные импульсы передаются к телу нейрона. Эти отростки сильно ветвятся. У нейрона может быть несколько дендритов. Аксон — это отросток, по которому импульсы передаются от тела клетки. Аксон обычно ветвится только на конце. Структура искусственного нейрона. Нейрон состоит из элементов трех типов: умножителей (синапсов), сумматора и нелинейного преобразователя. Синапсы осуществляют связь между нейронами, умножают входной сигнал на число, характеризующее силу связи (вес синапса). Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нейронная сеть – одно из направлений искусственного интеллекта, цель которого смоделировать аналитические механизмы, осуществляемые человеческим мозгом. Задачи, которые решает типичная нейросеть – классификация, предсказание и распознавание. Нейросети способны самостоятельно обучаться и развиваться, строя свой опыт на совершенных ошибках. Нейросети — это последовательность нейронов, соединенных между собой синапсами. Нейросеть — разновидность машинного обучения, при котором программа работает по принципу человеческого мозга. Внедрение систем искусственного интеллекта (ИИ) в медицине – это один из важнейших современных трендов мирового здравоохранения. Технологии искусственного интеллекта в корне меняют мировую систему здравоохранения, позволяя кардинальным образом переработать систему медицинской диагностики, разработку новых лекарственных средств, а также в целом повысить качество услуг здравоохранения при одновременном снижении расходов для медицинских клиник. Пример: Google Deepmind Health анализирует симптомы и предлагает несколько диагнозов. Результаты поиска основаны на миллионах страниц научной информации, которые содержат даже самые малоизвестные заболевания. Сервис MedClueRx анализирует симптомы и не просто диагностирует болезнь, но и выбирает максимально безопасные и эффективные препараты в зависимости от особенностей пациента. Центральная нервная система имеет клеточное строение. Единицей этой системы является нервная клетка или нейрон. Биологический нейрон - сложная система, математическая модель которого до сих пор полностью не построена. Тело клетки-нейрона (сома), которое включает ядро. От окружающей среды нейрон отделен тонкой мембраной, которая выполняет рецепторные функции. Нейрон_—_основная_клетка_нервной_ткани._Он_имеет_тело_и_отростки_двух_типов'>Нейрон получает сигналы от других нейронов через древовидные отростки дендриты. Нейрон передает сигналы, сгенерированные телом клетки, вдоль аксона. На окончаниях волокон находятся синапсы. Синапс является элементарной структурой и функциональным узлом между двумя нейронами. Передача через синапс почти всегда однонаправленная. Различают пресинаптические и постсинаптические клетки — по направлению передачи импульса. Искусственный нейрон является структурной единицей искусственной нейронной сети и представляет собой аналог биологического нейрона. С математической точки зрения искусственный нейрон — это сумматор всех входящих сигналов, применяющий к полученной взвешенной сумме некоторую простую, в общем случае, нелинейную функцию, непрерывную на всей области определения. Обычно, данная функция монотонно возрастает. Полученный результат посылается на единственный выход. Искусственные нейроны (в дальнейшем нейроны) объединяются между собой определенным образом, образуя искусственную нейронную сеть. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал поступает на синапсы следующих нейронов. Нейронным сетям присущ принцип параллельной обработки сигналов, который достигается путем объединения большого числа нейронов в так называемые слои и соединения определенным образом нейронов различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно. Строение нейрона. Нейрон — основная клетка нервной ткани. Он имеет тело и отростки двух типов. В теле нейрона располагается ядро и органоиды, а по отросткам передаются нервные импульсы. Дендриты — это отростки, по которым нервные импульсы передаются к телу нейрона. Эти отростки сильно ветвятся. У нейрона может быть несколько дендритов. Аксон — это отросток, по которому импульсы передаются от тела клетки. Аксон обычно ветвится только на конце. Структура искусственного нейрона. Нейрон состоит из элементов трех типов: умножителей (синапсов), сумматора и нелинейного преобразователя. Синапсы осуществляют связь между нейронами, умножают входной сигнал на число, характеризующее силу связи (вес синапса). Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нейронная сеть – одно из направлений искусственного интеллекта, цель которого смоделировать аналитические механизмы, осуществляемые человеческим мозгом. Задачи, которые решает типичная нейросеть – классификация, предсказание и распознавание. Нейросети способны самостоятельно обучаться и развиваться, строя свой опыт на совершенных ошибках. Нейросети — это последовательность нейронов, соединенных между собой синапсами. Традиционные методы воздействия на лечебно-диагностический процесс через обучение, административные и организационные приемы, ресурсное обеспечение, финансирование повышают его эффективность, но не могут значительно уменьшить неточности, ошибки и несогласованность в действиях врачей. Выход видится не столько в материальном, моральном или административном стимулировании врача, сколько в информационной поддержке. Автоматизация лечебно-диагностического процесса на основе интеллектуальной поддержки его участников и полной формализации истории болезни делает этот процесс управляемым на всех уровнях. Требования к врачу практически сводятся к соблюдению технологии работы с компьютерной историей болезни. Требования к руководителям в значительной мере сводятся к соблюдению детально разработанной технологии оперативного управления. 16.Искусственный интеллект (ИИ) в медицине — использует алгоритмы и программное обеспечение для аппроксимации человеческих знаний при анализе сложных медицинских данных. Основной целью приложений, связанных со здоровьем человека, является анализ взаимосвязи между методами профилактики или лечения и результатами лечения пациентов. Были разработаны и применены на практике программы искусственного интеллекта, которые проводят диагностику процессов, разработку протоколов лечения, разработку лекарственных средств, мониторинг состояния пациента. Здравоохранение остается одной из главных областей инвестирования в ИИ |