1.7. ИНТЕРПРЕТАЦИЯ МЕДИЦИНСКИХ ДАННЫХ: В общем, интерпретация данных основывается на механизме аргументации.

Лекции по биоинформатике: анализ данных, нейросети, и их применение в биологии и медицине

1.7. ИНТЕРПРЕТАЦИЯ МЕДИЦИНСКИХ ДАННЫХ: В общем, интерпретация данных основывается на механизме аргументации.

Почти год назад, летом 2017 года, на базе МФТИ состоялась традиционная летняя школа от Института биоинформатики. Основной темой школы в этом году стал интеллектуальный анализ данных.

Почему? Количество получаемых данных в биологии и медицине растет с невероятной скоростью.

В то же время обнаружить ранее неизвестные вещи в таком объеме информации вручную физически невозможно (да и классическими алгоритмами уже тоже сложновато), поэтому приходится использовать статистику и дополнять естественный интеллект искусственным.

Именно этим активно и занимались участники летней школы. В этом посте собрано 22 видеозаписи лекций со слайдами и описанием для всех интересующихся темой анализа данных в биоинформатике. Лекции, которые можно смотреть без дополнительной подготовки, отмечены звёздочкой «*» (таких половина).

1*. Введение в биоинформатику (Александр Предеус, Институт биоинформатики)

| Слайды

В лекции рассмотрены основные области, в которых работают биоинформатики в науке и индустрии, особенности биоинформатики и причины ее популярности сегодня.

2*. Введение в машинное обучение (Григорий Сапунов, Intento)

| Слайды

Постоянный рост количества данных способствует развитию все более и более сложных процессов обработки, поиска и извлечения информации. Один из способов решения подобных задач заключается в использовании искусственного интеллекта. Эта лекция посвящена краткому введению в основы машинного обучения. Григорий рассказал общую терминологию в этой области, а также описал виды задач, решаемых машинным обучением. Помимо этого, лекция знакомит с основными этапами машинного обучения, видами моделей и метриками качества полученных данных.

3*. Введение в Deep Learning (Григорий Сапунов, Intento)

| Слайды

Глубокое обучение (или deep learning) в настоящее время набирает популярность из-за возможности не прописывать конкретные алгоритмы для решения задачи, а использовать обучение представлениям. Развитию этих методов также способствует увеличение вычислительной мощности процессоров. Лекция посвящена основам нейросетей: их видам (полносвязные нейросети, автоэнкодеры, свёрточные, рекуррентные) и решаемым ими задачам. Отдельно Григорий обрисовал современное состояние и тренды.

4*. Введение в онкогеномику и анализ омиксных данных в онкологии (Михаил Пятницкий, НИИ биомедицинской химии им. В.Н.Ореховича)

| Слайды

Секвенирование человеческого генома, изучение человеческих генетических вариаций, секвенирование метагенома человека, транскриптомный анализ человеческих тканей — все эти биологические методы в приложении к “Big Data” дали ученым большой объем ценной информации о том, что отличает человека от других животных. Эта лекция посвящена «омикам» и их практическому использованию. Отдельно Михаил затронул использование этих данных в онкологии.

5. Мультиомика в биологии: интеграция технологий (Константин Оконечников, German Cancer Research Center)

| Слайды

Бурное развитие экспериментальных технологий в молекулярной биологии, таких как например, секвенирование, позволили совместить в себе изучение большого спектра функциональных процессов происходящих в клетках, органах или даже целом организме. В лекции рассмотрено как правильно совмещать массивные экспериментальные данные, полученные из геномики, транксриптомики и эпигеномики для установления связей между компонентами происходящих биологических процессов. Наглядные примеры применения мультиомики выбраны из высоко востребованной области исследований раковых заболеваний с фокусом на педиатрическую онкологию.

6. Количественная генетика: история и перспективы (Юрий Аульченко, лаборатория теоретической и прикладной функциональной геномики ФЕН НГУ, группа методов генетического анализа, ИЦиГ СО РАН)

| Слайды

Количественная генетика — точная наука, которая основывается на небольшом числе ключевых наблюдений и базовых моделей, позволяющих дать количественное описание природных (микро)эволюционных явлений и предсказать результаты генетических экспериментов. Она использует мощный математический аппарат. Многие современные методы статистики были изначально разработаны для решения проблем количественной генетики. Прорывное развитие молекулярно-биологических технологий за последнее десятилетие позволило характеризовать сотни тысяч живых организмов по миллионам геномных и других «омиксных» параметров. Общее количество проведенных экспериментов и уже накопленных данных колоссально. Актуальная задача современной количественной генетики — разработка моделей, которые позволят описать наследования многоуровневых фенотипических высокой размерности. В своей лекции Юрий дал краткий обзор истории количественной генетики и проблем, которые стоят перед этой наукой.

7*. Технологии секвенирования (Кирилл Григорьев, Caribbean Genome Center, University of Puerto Rico)

| Слайды

Развитие и эволюция процессов секвенирования неразрывно связаны с эволюцией технологических возможностей. Лекция показывает историю и процесс развития технологий секвенирования от Сэнгера до наших дней. Отдельно Кирилл рассказал про преимущества и недостатки каждого из существующих в настоящее время методов, а также о характере получаемых данных и их применении в различных областях.
8. Транскриптомика: практические методы и применяемые алгоритмы (Александр Предеус, Институт биоинформатики)

| Слайды

Транскриптомика уверенно заняла место в списке самых популярных задач, встающих перед NGS-биоинформатиками. Дифференциальный анализ экспрессии генов, кластеризация экспрессионных данных, и интерпретация полученных данных в терминах метаболических и сигнальных каскадов позволяют получить богатейшую информацию о практически любой системе. В лекции рассмотрены лучшие пайплайны, основные проблемные места в дизайне экспериментов и обработке, а также практические случаи удачного применения транскриптомных подходов.

9. Анализ данных NGS в медицинской генетике: определение, аннотация и интерпретация генетических вариантов (Юрий Барбитов, СПбГУ, Александр Предеус, Институт биоинформатики)

| Слайды

Использование секвенирования нового поколения давно ушло за пределы классической науки и успешно применяется во многих других областях, в том числе в здравоохранении. Лекция посвящена ключевым аспектам анализа данных секвенирования нового поколения в медицинской генетике. Юрий показал весь путь от получения сырых ридов до постановки диагноза, с упоминанием трудностей, возникающих при определении, аннотации и интерпретации генетических вариантов. Отдельно он затронул распространенные ошибки, допускаемые на каждом из этапов обработки данных. В заключение дан краткий обзор перспективных направлений исследований, способных улучшить точность постановки диагноза с использованием методов высокопроизводительного секвенирования 10. Практическое применение ChIP-Seq и родственных методов (Александр Предеус, Институт биоинформатики)

| Слайды

Методы ChIP-Seq, а также «геномного футпринтинга» (ATAC-Seq, FAIRE-Seq, DNase-Seq) широко применяются для нахождения механизмов регуляции биологических процессов, в частности, для транскрипционной регуляции. Потенциальное пространство изучаемых факторов очень многомерно, однако селективный подход позволяет получить богатую информацию о регуляции в системе на основании всего нескольких экспериментов. На примере конфликтующих современных теорий, Александр показал основные сложности интерпретации регуляторной информации, и способы консолидации полученных результатов.

11*. Что можно делать с данными iScan (Татьяна Татаринова, University of La Verne )

| Слайды

Компания Illumina выпускает большое количество приборов под различные нужды. Чипирование позволяет быстро обнаруживать однонуклеотидные полиморфизмы (SNP) для большого количества образцов. Лекция посвящена обзору данных чипов iScan и их применению в клинической диагностике.

12. Глубокое обучение в вычислительной биологии (Дмитрий Фишман, University of Tartu)

| Слайды

Глубокое обучение активно используется не только для улучшения машинного перевода или распознавания речи, но и позволяет решить многие проблемы в области вычислительной биологии. Лекция посвящена применению методов глубокого обучения на конкретных биологических примерах. Дмитрий рассказал о том, что нового происходит в биологии и медицине с использованием глубокого обучения, и можно ли говорить о том, что машины революционизируют медицину и биологию.

13*. Применение методов машинного обучения для поиска потенциальных патогенных мутаций в геноме человека (Анна Ершова, МФТИ, НИИ физико-химической биологии МГУ им. М.В. Ломоносова, ФНИЦ эпидемиологии и микробиологии им. Н.Ф. Гамалеи)

| Слайды

Поиск патогенных мутаций стал актуальным в связи с секвенированием генома человека. Однако, вручную такую задачу решить просто невозможно. Лекция посвящена тому, как машинное обучение может помочь справиться с этой задачей.

14*. Иммуноинформатика (Вадим Назаров, НИУ ВШЭ, ИБХ РАН)

| Слайды

Машинное обучение уже довольно давно активно применяется в самых разных сферах жизни, но в иммунологии для него нашли место совсем недавно. В этой лекции Вадим рассказал о нескольких примерах применения машинного и глубинного обучения в иммунологии, включая задачу предсказания связывания МНС-пептид комплексов и анализа репертуаров Т-клеточных рецепторов.

15*. Изучение адаптации к хозяину и развития резистентности в вирусах ВИЧ и гепатита С с помощью методов структурной биоинформатики (Ольга Калинина, Институт информатики общества Макса Планка)

| Слайды

Вирус иммунодефицита человека (ВИЧ) и вирус гепатита С вызывают тяжелые заболевания, которые с трудом поддаются терапии. Как и многие другие ретро- и РНК-вирусы, эти вирусы быстро эволюционируют и, таким образом, могут приспосабливаться как к воздействию специфических антивирусных препаратов, так и к адаптивному иммунному ответу со стороны организма хозяина. В этой лекции Ольга показала, как с помощью комбинирования анализа последовательностей вирусных белков с анализом их пространственной структуры можно делать предсказания о развитии механизмов резистентности и взаимодействии вирусов с иммунной системой хозяина.

16. Предсказание эффекта мутаций (Василий Раменский, МФТИ)

| Слайды

Современные методы секвенирования дают огромный объем информации о полиморфизме генома, то есть отличиях индивидуальных геномов друг от друга. Эти отличия (варианты) возникают в результате мутаций при репликации ДНК и частично фиксируются в популяции. Распространенность, локализация и функциональный эффект геномных вариантов сильно различаются – от полной летальности до отсутствия какого-либо влияния на индивидуальный фенотип. В лекции рассмотрены современные подходы к предсказанию функционального эффекта вариантов, используемые в персонализированной медицине, медицинской и популяционной генетике.

17. Многомасштабное моделирование и дизайн биологических молекул (Николай Дохолян, University of North Carolina at Chapel Hill)

Жизнь биологических молекул охватывает масштабы времени и длины, соответствующие шкалам времени и длины от атомного до клеточного. Следовательно, новые подходы к молекулярному моделированию должны быть по своей сути многомасштабными. В своей лекции Николай описал несколько методологий, разработанных в его лаборатории: алгоритм быстрого дискретного молекулярного динамического моделирования, белковый дизайн и инструменты структурной доработки. Используя эти методологии, можно описать несколько приложений, которые проливают свет на молекулярную этиологию кистозного фиброза и находят новые фармацевтические стратегии для борьбы с этим заболеванием, моделируют структуру трехмерной РНК и разрабатывают новые подходы к контролю белков в живых клетках и организмах.

18. Гомологичный фолдинг белков (Павел Яковлев, BIOCAD)

В современной структурной биологии есть ряд вычислительных методов, позволяющих с высокой достоверностью характеризовать биологические молекулы, их схожесть и различия, способы взаимодействия и функции. Для построения подобных вычислений входным параметром всегда выступает пространственная структура белка, однако ее получение может быть затруднен, несмотря на полувековой прогресс в области кристаллографии. Лекция посвящена решению этой проблемы с помощью гомологичного моделирования структур белков — построения трехмерных структур из схожих фрагментов. Для примера рассмотрены вариабельные домены антител — белков, обладающих уникальным структурным разнообразием вариабельных петель.

19. Как перестать медитировать и начать моделировать (Артур Залевский, МГУ им. М. В. Ломоносова)

| Слайды

Большое количество данных, получаемых методом NGS, позволяет не только получать из этого биологические выводы, но и использовать их для моделирования. Построенные модели позволяют лучше понять биологические данные и получить еще больше биологического смысла из эксперимента. Лекция посвящена моделированию и начальным этапам этого процесса.

20*. Стоя на плечах гигантов, или зачем нужны консорциумы (Герман Демидов, Centre for Genomic Regulation, The Barcelona Institute of Science and Technology, Universitat Pompeu Fabra)

| Слайды

За последние десятилетия развитие биологии было связано с накоплением массивов данных, огромных настолько, что отдельные исследовательские группы уже не справлялись с их биоинформатическим анализом. С целью решить эту проблему начали создаваться консорциумы из десятков лабораторий, такие как Human Genome Project, 1000GP, ENCODE и другие. Благодаря таким коллаборациям, в открытом доступе есть данные разнообразных типов, полученные с помощью различных технологий. Как результат, сравнение новых экспериментальных данных с уже существующими стало стандартной частью любого исследования. Консорциумы производят не только данные, но и биоинформатические пайплайны для их обработки, и стандартные форматы, и процедуры оценки качества. На этой лекции обсуждается, как работают консорциумы, как пользоваться результатами их работы и что делать, если вы вдруг обнаружили себя членом такого консорциума и вам нужно обрабатывать терабайты данных, а потом обмениваться результатами со всеми остальными участниками.

21*. Обзор биоинформатических компаний в России и мире (Андрей Афанасьев, yRisk)

| Слайды

В современном мире наука и бизнес все более и более переплетаются. Не обошел этот тренд и область биоинформатики. Андрей рассказал об ожиданиях и реальности рынка, об историях успеха и историях провалов, о людях и местах, связанных с биоинформатикой.

22. Продвинутый анализ вариаций (SNV, InDel, SV) с помощью геномного браузера NGB (Геннадий Захаров, EPAM, Институт Физиологии им. И.П. Павлова, РАН)

| Слайды

Лекция охватывает процесс визуального анализа простых (SNV, InDel) и структурных вариаций в геномном браузере. Все примеры демонстрируются с использованием браузера NGB, отвечающего большинству требований и рекомендаций анализа структурных вариаций, в том числе различные виды визуализаций и получение аннотаций из внешних баз данных. В лекции на реальных примерах показаны сценарии валидации и анализа последствий простых и структурных вариаций.

Послесловие

Для тех, кто ничего не понял хочет развиваться в области биоинформатики — до 27 мая ещё открыт прием заявок на летнюю школу в этом 2018-м году. Сама школа пройдет 23–28 июля под Санкт-Петербургом.

Есть шанс вскочить в последний вагон и гордо всем показывать пост с обзором лекций следующего года, говоря, что видели это лично.

В 2017 году школа проводилась при поддержке наших постоянных партнеров – компаний JetBrains, BIOCAD и EPAM Systems, за что им огромное спасибо.

Кстати, пост с лекциями позапрошлых школ.

Всем биоинформатики!

  • биоинформатика
  • лекции
  • видеолекции

Источник: https://habr.com/post/412453/

Интерпретация данных

1.7. ИНТЕРПРЕТАЦИЯ МЕДИЦИНСКИХ ДАННЫХ: В общем, интерпретация данных основывается на механизме аргументации.

Зададимся вопросом, что такое данные и как мы к ним от­но­сим­ся? Интуитивно ясно, что под данными мы подразумеваем какое-либо со­общение, наблюдаемый факт, сведения о чем-либо, результаты эксперимента и т.п.

Иначе говоря, данные – это всегда конкретность, представленная в определенной форме (числом, записью, сообщением, таблицей и т.д.). Сами по себе данные никакой ценности не представляют.

На самом деле, как вы отнесетесь, например, к сле­дующим данным:

(1) – “тридцать семь с половиной”;

(2) – “2 + 2 = 4”;

(3) – “Петров стал директором”.

Первое вызовет недоумение, второе – ощущение тривиальности (это знает каждый), третье – размышления, кто такой Петров? Во всех приведенных примерах данные неинформативны (хотя по разным причинам), и для того, чтобы придать им информативность, т.е. прев­ратить их в информацию, необходимо осуществить интер­пре­та­цию дан­ных.

Интерпретация – процесс превращения данных в информацию, процесс придания им смысла. Этот процесс зависит от многих факторов: кто интерпретирует данные, какой информацией уже рас­по­ла­га­ет интерпретатор, с каких позиций он рассматривает полученные дан­ные и т.д.

Процесс интерпретации может осуществляться че­ло­ве­ком или группой лиц, при этом он может быть творческим (на­при­мер, му­зи­ци­ро­вание по нотной записи) или формаль­ным (определение времени по часам).

Такой процесс может осуществляться био­ло­ги­ческими объ­ектами (условные рефлексы собак, общение дель­фи­нов), многими устройствами технической автоматики (обнаружение сиг­нала от цели в радиолокации с последующими действиями) и, конечно, компьютером.

Абстрактность информации в отличие от конкретности данных зак­лючается в том, что процесс интерпретации в общем случае не может быть определен формально, в то время как данные всегда су­ще­ствуют в какой-то определенной форме. Между данными и ин­форма­ци­ей в общем случае нет взаимно-однозначного соответствия.

Нап­ри­мер, формально различные сообщения “до завтра” и “see you tomorrow” [1] несут одну и ту же информацию. Разные знаки “x” и “*” могут содержательно обозначать одно и то же – операцию ум­но­же­ния, формально различные строки “21” и “XXI” определяют одно и то же число (в различных системах счисления).

С другой стороны одни и те же данные могут нести совершенно различную информацию разным получателям (разным ин­терпре­та­то­рам). Например, знак “I” может интерпретироваться как буква “ай” в английском алфавите или как римская цифра 1, знак “+” может ин­­те­рпретироваться как операция сложения или операция объ­е­ди­не­ния мно­жеств в зависимости от контекста.

Кивок головой сверху вниз обычно обозначает “Да”, а покачивание – “Нет”, но не во всех странах (в Болгарии и Греции это не так).

На доске объ­яв­ле­ний по размену квартир я увидел объявление со следующими дан­ны­ми: “(2+2)=(3+1)”, что означало “Меняю две двухкомнатных на трехкомнатную и однокомнатную”,- можно ли было бы предположить такую интерпретацию этих данных, например, в учебнике по арифметике?

Эти примеры показывают, что интерпретация данных зависит от многих дополнительных объективных факторов (в этих примерах – контекст, страна, место), но интерпретация может зависеть и от субъективных факторов.

Например, один и тот же цвет человек с нормальным зрением воспринимает одним образом, а дальтоник другим.

Приведенные примеры альтернативной интерпретации одних и тех же данных иллюстрируют понятие полиморфизма (множественной интерпретации), которое в конечном счете и определяет абстрактный характер этого процесса.

Наконец, еще один важный аспект интерпретации. В любом достаточно боль­шом наборе данных есть особые позиции (знаки, ключевые слова, признаки), которые управляют процессом интерпретации и потому имеют особое значение, во многом определяющее ценность и важность получаемой информации. Классический пример: сообщение “Казнить нельзя, помиловать”.

Положение запятой в этом примере (перед словом “нельзя” или после) радикально меняет информационное содержание данных. Можно ли в этом отношении сравнить запятую в этом сообщении с буквой “н.”, например? Потеря или искажение последней легко восстанавливается по контексту, потеря запятой сводит информативность сообщения в целом к нулю. Еще один при­мер.

Допустим, вы располагаете следующим фрагментом таблицы:

ЪДДДДДДДДДДДВДДДДДДДДДДДВДДДДДДДДДДДВДДДДДДДДДДДДВДДДДДДДДДДДДДї

і Товар і Станок і Дрель і Фреза і Двигатель і

ГДДДДДДДДДДДЕДДДДДДДДДДДЕДДДДДДДДДДДЕДДДДДДДДДДДДЕДДДДДДДДДДДДДґ

АДДДДДДДДДДДБДДДДДДДДДДДБДДДДДДДДДДДБДДДДДДДДДДДДБДДДДДДДДДДДДДЩ

Рис.1.1

Потеря слова “Стоимость” во второй строке делает невозможной правильную интерпретацию числового материала всей таблицы, в то время как потеря слова “Товар” легко восстанавливается по контексту.

Таким образом, данные – это набор неоднородных ключевых слов (позиций, знаков и т.п.), несущих информацию разной степени ценности.

Не нашли то, что искали? Воспользуйтесь поиском:

Источник: https://studopedia.ru/13_49954_interpretatsiya-dannih.html

Начали чи­тать курс в составе кафедры организации и тактики медицин­ской службы

1.7. ИНТЕРПРЕТАЦИЯ МЕДИЦИНСКИХ ДАННЫХ: В общем, интерпретация данных основывается на механизме аргументации.

«Медицинская Информатика» Лекция 4

Глава 3. Медицинская информатика и медицинская информация
История медицинской информатики Медицинская информатика, как практическое направление в здравоохранении, возникла в России в 1970-х гг. на базе ранее сформировавшегося (в 1950-х гг.

) кибернетического направле­ния — моделирования патогенетических механизмов и вычислительной диагностики заболеваний. Первые сообщения о возможных направлениях использования электронно-вычислительных машин (ЭВМ) в медицине и здравоохранении появились в Советском Союзе в конце 1950 — начале 1960-х гг.

Становление медицинской кибернетики, а в последующем — медицинской информатики в России связано с именами Н.М.Амо­сова, П.К.Анохина, Р.М.Баевского, А.И.Берга, М.Л.Быховского Д.Д. Бенедиктова, А.А.Вишневского, С.А. Гаспаряна, И М Гельфанда, В.Н.Глушкова, Е.В.Гублера, А. Н. Колмогоро­ва, В.А.Лищука, А.А.Ляпунова, А.А. Малиновского, В. В. Лари­на, Г. А. Хая и др.В 1959 г.

был организован Научный совет по кибернетике при Президиуме АН СССР. По инициативе его председателя А. И. Берга в составе Совета была создана биомедицинская секция, которую возглавил В.В.Парин (в составе секции П.К.Анохин, Е.Б.Баб­ский, Г.М.Франк и др.).

При деятельном участии этой секции в течение многих лет издавались профильные номера сборника «Про­блемы кибернетики», проводились семинары и конференции по использованию математических моделей в медицине.В 1960 г. в Институте хирургии им. А. В. Вишневского была со­здана лаборатория кибернетики, которую возглавил М.Л.Быховский.

В том же году в Минске была образована научно-исследова­тельская группа АМН СССР по прогнозированию мозговых ин­сультов (руководитель – Н.С.Мисюк). В 1961 г. в Военно-меди­цинской академии (Ленинград) была создана кафедра военно-медицинской статистики и кибернетики (руководитель — Л. Е.

По­ляков), правда, через год ее упразднили, а по теме начали чи­тать курс в составе кафедры организации и тактики медицин­ской службы.В 1962 г. в Институте туберкулеза и грудной хирургии (Киев) был организован семинар «Некоторые проблемы биокибернети­ки и применение электроники в биологии и медицине» (руково­дитель – Н. М.Амосов). В 1964 г.

была создана лаборатория биоло­гической и медицинской кибернетики в Северо-западном поли­техническом институте (Ленинград) на территории Хирургиче­ской клиники П.А. Куприянова (руководитель – В.М.Ахутин), в том же году — лаборатория медицинской кибернетики в Мос­ковском научно-исследовательском онкологическом институте им. П.А.Герцена (руководитель – П.Е.Кунин).

И это далеко не полный перечень подразделений «первой волны», занимавшихся проблемами, которые в настоящее время изучают специалисты в области медицинской кибернетики и информатики.

Среди направлений, ставших приоритетными с момента нача­ла использования ЭВМ в медицине, особое внимание уделялось помощи врачу при постановке сложных диагнозов и выборе ле­чебной тактики, организации контроля за автоматизированным управлением жизнедеятельностью организма в случаях, требующих особой бы­строты и точности реакций.За 1965 – 1974 гг.

в Советском Союзе были сформулированы основные концептуальные положения, которые легли в основу процесса внедрения информационных технологий (информатиза­ции) в здравоохранение, реализованы первые проекты для всех уровней управления отраслью. В этот период были заложены осно­вы инфраструктуры информатизации НИИ и Министерств здравоохранения СССР и союзных республик.В 1973 г.

на медико-биологическом факультете 2-го Московско­го медицинского института (в настоящее время — Российский государственный медицинский университет) была создана первая в медицинских вузах Европы кафедра медицинской и биологической кибернетики (в настоящее время — кафедра медицин­ской кибернетики и информатики).

Вслед за ней в России было организовано еще несколько кафедр и курсов для подготовки и переподготовки врачей-специалистов в области медицинской ин­форматики.Следует отметить, что отношение руководителей здравоохра­нения к проблемам информатизации отрасли было в большинстве случаев отрицательным.

Внедрению разрабатываемых систем не способствовала дороговизна ЭВМ, для размещения которых пыли необходимы огромные помещения и работу которых обслу­живал большой штат специалистов.Период с 1975 по 1985 г.

можно охарактеризовать как время создания государственной системы организации и координации работ по внедрению методов информатики и средств вычислительной техники в практическую медицину, создания в регионах территориальных медицинских информационно-вычислительных центров (в настоящее время — медицинские информационно-ана­литические центры), подчиненных органам управления региональ­ным здравоохранением. Это привело к изменению мотивации руководителей управления здравоохранением, создало благоприятные условия как для разработки новых проектов, так и для их внедрения.В 1975—1984 гг. Научным советом по медицинской кибернети­ке при Минздраве РСФСР (руководитель — С. А. Гаспарян) в на­учно-проектные исследования были вовлечены крупные центры большинства регионов России, среди которых Владивосток, Горь­кий, Ижевск, Кемерово, Новокузнецк, Ростов-на-Дону, Саратов, Ярославль и др.До середины 1970-х гг. активно внедрялись отечественные боль­шие вычислительные машины серии ЕС, малые ЭВМ типа СМ, компьютеры «Искра». К сожалению, в конце 1970-х гг. от перспективных отечественных разработок в области вычислительной тех­ники, в частности линии БЭСМ, отказались и перешли к копи­рованию образцов зарубежных ЭВМ. Началось массовое обучение руководителей, преподавателей, врачей основам медицинской кибернетики и информатики. Круг лиц, участвующих в разработ­ке медицинских информационных систем (ИС), значительно рас­ширился.С 1985 г. начался период существенных изменений в социаль­ной и общественной жизни России. Эти изменения не могли не затронуть медицинскую кибернетику и информатику.Реформирование здравоохранения и переход на систему бюджетно-страховой медицины, внедрение обязательного и добро­вольного медицинского страхования резко повысили мотивацию руководителей к информатизации лечебно-профилактических уч­реждений (ЛПУ) для обеспечения взаиморасчетов со страховыми компаниями.Произошли реальные сдвиги в отношении к обучению студен­тов основам информатики и медицинской информатике. Увели­чилось количество кафедр медицинской информатики.В этот период в здравоохранении начали использовать высоко­производительные персональные компьютеры (ПК) и сформи­ровался свободный рынок их приобретения (до этого получение вычислительной техники существенно лимитировалось). Это поз­волило перейти к решению задачи создания и внедрения медико-технологических систем различного назначения, но привело к отказу от ранее созданных программных продуктов, не совмести­мых с новыми ПК.Дальнейшее совершенствование ПК способствовало разработ­ке медико-технологических систем, нацеленных на поддержку деятельности врача, в том числе экспертных систем (ЭС), авто­матизированных рабочих мест (АРМ). Развитие БД, сетевых тех­нологий ускорило создание и внедрение ИС.В настоящее время ЛПУ переходят к осуществлению своей де­ятельности в условиях комплексной информатизации; локальные информационные сети объединяются в региональные и федераль­ные. Быстро развивается такое направление медицинской информатики как телемедицина, расширяется спектр об­ластей, в которых она применяется. Однако в информатизации здравоохранения России по-прежнему остается чрезвычайно много проблем.Основой для развития медицинской информатики во многом послужили работы по созданию первых автоматизированных историй болезни. Следующим шагом была разработка учреждениями и службами автоматизи­рованных систем управления (АСУ). Это направление базирова­лось на системном подходе и включало в себя обработку данных с помощью традиционных и нетрадиционных методов математико-статистического анализа. В последующем для этого начали все шире применять пакеты статистических программ, ориентированные на специфику биологической и медицинской ин­формации.В 1980-е гг. в автоматизированных системах (АС) стали использовать собственно врачебные знания: начали создавать эксперт­ные системы, получившие название интеллектуальных.Среди направлений, ставших приоритетными с момента нача­ла использования ЭВМ в медицине, особое внимание уделялось помощи врачу при постановке сложных диагнозов и выборе ле­чебной тактики, осуществления контроля автоматизированного управления жизнедеятельностью организма в случаях, требующих особой бы­строты и точности реакций.

В настоящее время медицинская информатика признана как самостоятельная область науки, имеющая свой предмет, объект изучения и занимающая место в ряду медицинских дисциплин.

Медицинская информатика – это прикладная медико-техническая наука, являющаяся результатом перекрестного взаимодействия медицины и информатики: медицина поставляет комплекс  задача – методы, а информатика обеспечивает комплекс  средства – приемы в едином методическом подходе, основанном на системе  задача – средства – методы – приемы.

Предметом изучения медицинской информатики при этом будут являться информационные процессы, сопряженные с методико-биологическими, клиническими и профилактическими проблемами.

Объектом изучения медицинской информатики являются информационные технологии, реализуемые в здравоохранении.

медицинской информатики является оптимизация информационных процессов в медицине за счет использования компьютерных технологий, обеспечивающая повышение качества охраны здоровья населения.

Специфика информационных процессов в деятельности медицин­ских работников способствовала бурному развитию медицинской информатики.

Нельзя “сбрасывать со счетов» и естественный инте­рес общества к медицине, и желание улучшить качество меди­цинской помощи с использованием новых технологий.

Определений медицинской информатики как науки (или на­учной дисциплины) в настоящее время существует довольно много.

Американский ученый Э.Шортлифф (1995) указывает, что медицинская информатика ориентирована на биомедицинскую информацию, данные и знания, их хранение, передачу и опти­мальное использование для решения проблем или принятия ре­шений.

По мнению Д.Д.Бенедиктова (1997) медицинская информа­тика способствует расширению горизонтов и возможностей по­знания, профилактики и лечения болезней, охраны и улучшения здоровья человека.

В. Г.

Кудрина в учебном пособии «Медицинская информатика» (1999) писала, что медицинская информатика — это научная дис­циплина, представляющая собой систему знаний об информаци­онных процессах в медицине, здравоохранении и смежных дис­циплинах, обосновывающая и определяющая способы и средства рациональной организации и использования информационных ресурсов в целях охраны здоровья населения.

По мнению В.Я.Гельмана (2001) медицинская информатика представляет собой прикладную медико-техническую науку — результат «перекрестного взаимодействия» медицины и инфор­матики.

Итак, медицинская инфор­матика — это наука об обработке, преобразовании, хранении, передаче и представлении информации в области здравоохране­ния на основе использования информационно-коммуникацион­ных технологий.

рассматривает медицинские при­ложения информационных технологий и использование как уни­версальных, так и специальных средств и систем.

Методы медицинской информатики необходимо применять (и они уже нередко используются) во всех областях медицины и здравоохранения. Они находят применение на этапах лечебно-ди­агностического процесса: диагностика — назначение лечения — прогнозирование (течения заболеваний и осложнений) — лече­ние — наблюдение.

Информационные технологии должны исполь­зоваться в ЛПУ всех видов и любого медицинского профиля. Без грамотно разработанных информационных медицинских систем немыслим возврат к одному из главных достижений советского здравоохранения — полноценному профи­лактическому направлению с проведением целевых диспансеризаций.

Без медицинской информатики невозможна динамическая объективная оценка состояния здоровья населения и окружающей природной среды как на территориальном, так и федеральном уровнях, а значит, и принятие адекватных решений.

Планирование научных экспериментов, грамотная организа­ция работы медицинских учреждений, объективная оценка их деятельности — все это должно осуществляться с помощью меди­цинской информатики. Можно сказать, что вся клиническая ме­дицина и здравоохранение «проросли» медицинской информати­кой.

Медицинская информация в широком смысле этого словосо­четания — это любая информация, относящаяся к медицине, а в узком (персонифицированном) смысле – информация, относя­щаяся к состоянию здоровья конкретного человека.

Российский исследователь Г. И. Назаренко разделил виды медицинской информации на четыре группы:

1) алфавитно-цифровая

2) визуальная (статическая и динамическая)

3) звуковая

4) комбинированная

Алфавитно-цифровая информацияАлфавитно-цифровая информация является основой почти всех форм печатных и рукописных документов (кроме случаев, когда документ представляет собой график или схему). Она составляет большую содержательную часть медицинской инфор­мации.

К этой категории медицинской информации относятся раз­личные изображения (рентгенограммы, эхокардиограммы и т.д.). В зависимости от технических средств и других особенностей полученная информация может быть серошкальной (например, рентгеновское изображение) или цветной (например, эндоско­пическое изображение).

Примерами подобной информации являются походка паци­ента, мимика или судороги, сухожильные рефлексы, реакция зрачка на свет, генерируемое диагностическим оборудованием динамическое изображение.

Источник: http://mir.zavantag.com/medicina/876239/index.html

Medic-studio
Добавить комментарий