8) Системы поддержки принятия медицинских решений. Пример, фармако-кинетическая модель капельницы. Анализ результата и принятия решения провести с помощью графика зависимости от времени c(t).
Система поддержки принятия медицинских решений - программное обеспечение, позволяющее путем сбора и анализа информации влиять на принятие врачом решения при обследовании пациента, назначении лечения с целью снижения ошибок и улучшения качества оказываемой медицинской помощи.
Фармакокинетическая модель капельницы.
Фармакокинетика - это исследование процессов всасывания, распределения, метаболизма и экскреции лекарств в сопоставлении с соответствующими фармакологическими, терапевтическими или токсическими эффектами у животных и человека. При математическом моделировании фармакокинетических процессов организм полагают состоящим из некоторого числа камер. Модель капельницы является простейшей однокамерной моделью. Препарат вводится путем непрерывной инфузии, распределяется по всему организму и элиминирует через почки.
В начале введения препарата концентрация равна 0, со временем она начинает возрастать до тех пор, пока не достигнет динамического равновесия между вводом и выводом препарата из организма. Данная концентрация называется стационарной. Принятие решения об использовании данного препарата и способа должна зависеть от необходимой стационарной концентрации для пациента и времени, которое можно потратить на введение.
9) Системы поддержки принятия медицинских решений. Основные методы систем поддержки принятия медицинских решений. Описать поэтапное создание и применение метода математического моделирования на примере простой SIR- модели эпидемии.
Система поддержки принятия медицинских решений - программное обеспечение, позволяющее путем сбора и анализа информации влиять на принятие врачом решения при обследовании пациента, назначении лечения с целью снижения ошибок и улучшения качества оказываемой медицинской помощи.
Основные методы:
- информационный поиск - интеллектуальный анализ данных - извлечение знаний в базах данных - рассуждение на основе прецедентов - имитационное моделирование - генетические алгоритмы - искусственные нейронные сети - методы искусственного интеллекта
Математическое моделирование состоит из нескольких основных этапов:
Постановка задачи моделирования. В данной модели задачей является изучение распространение инфекций в популяциях хозяев-индивидов.
Выбор существенных для данного эксперимента признаков.
Популяция хозяев инфекции делится на три группы, которые обладают идентичными свойствами:
S - чувствительные, неинфицированные
I - инфицированные, больные
R - излечившиеся, иммунные
Создание модели
И данной модели соответствуют система следующих дифференциальных уравнений:
Данная модель зависит от двух параметров: параметр бета называется частотой контактов и отвечает за возможность передачи болезни при контакте между зараженным и восприимчивым индивидами. Второй параметр – отвечает за переход объекта из класса больных в класс выздоровевших.
Проверка на логичность
Проверка на опыте
Усложнение модели
Использование модели
10) Описать характерное изменение динамики развития эпидемического процесса за счет изменения в сторону уменьшения параметра β, описывающего относительную вероятность заражения от численности категорий здоровый – больной. Как меняется численность категорий S -здоровых, I -зараженных (больных), и R -выздоровевших (иммунорезистентных) при уменьшения этого параметра?
Параметр β отвечает за возможность передачи болезни при контакте между зараженным и восприимчивым индивидами. При уменьшении данного параметра будет уменьшатся общее количество зараженных, исходя из формулы I =(β/N)IS-yI , следовательно будет меньше и иммуно резистентных людей, так как их количество прямо пропорционально зависит от количества больных, тогда как количество здоровых или восприимчивых будет увеличиваться.
11) Статистические характеристики диагностических признаков и симптомов. Диагностический знак, предел нормальности. Понятие об истинных положительных и отрицательных исходах, ложных положительных и отрицательных исходах. Примеры.
Статистические характеристики- чувствительность и специфичность (определения в 12 вопросе).
Диагностический знак (симптом)- один отдельный признак, частое проявление какого-либо заболевания.
Предел нормальности — это уровень, на котором данный (рассматриваемый нами) признак будет в норме.
Положительный результат лабораторного теста у БОЛЬНЫХ (Б) определенным заболеванием рассматривается как ИСТИННО ПОЛОЖИТЕЛЬНЫЙ (ИП), у небольных – как ЛОЖНО ПОЛОЖИТЕЛЬНЫЙ (ЛП).
Отрицательный результат лабораторного теста у больных определенным заболеванием рассматривается как ЛОЖНО ОТРИЦАТЕЛЬНЫЙ (ЛО), у небольных – как ИСТИННО ОТРИЦАТЕЛЬНЫЙ (ИО).
Пример:
В таблице 4 представлены гипотетические результаты теста ТИФА, взятого у 400 пациентов
Таким образом, вероятность, что если в крови пациента есть антитела к ВИЧ, то вероятность положительного результата теста для него равна 0,98. Если тест проводился у 100 пациентов, у которых действительно есть антитела, нужно ожидать, что у двух из них результат будет неправильный, отрицательный, то есть доля ложных отрицательных результатов равна 2%.
