pro podporu rozhodování ve forme internetové klasifikacní služby. Protože u systému na podporu rozhodování casto nejsou jednotlivé cásti analýzy dat vhodné pro vysoce dimenzionální data, je treba venovat zvláštní pozornost sofistikovanému výberu nejduležitejších promenných ješte pred ucením klasifikacního pravidla. Metody: Vytvorili jsme prototyp systému pro podporu diagnostického rozhodování s názvem SIR. Systém je schopen ze souboru vysoce dimenzionálních merení vybrat ty nejpodstatnejší promenné pomocí dopredné procedury pro optimalizaci rozhodovacího kritéria, což umožnuje vytvorit spolehlivé klasifikacní pravidlo. Výsledky: Vytvorený prototyp byl testován na vzorku pacientu z kardiologické studie. Prostrednictvím systému SIR byla extrahována informace z kardiologické klinické studie, obsahující jak klinická data, tak i data genových expresí. Úroven klasifikace byla hodnocena pomocí krížové validacní studie. Záver: Navržený klasifikacní systém muže na základe informací získaných z dostupné klinické studie být užitecný pro lékare v primární péci jako podpora v jejich rozhodovací úloze. Velmi vhodný je také pro analýzu vysoce dimenzionálních dat, napr. merení genových expresí.

Objectives: The aim of our work was to implement a prototype of a decision support system which has the form of a web-based classification service. Because the data analysis component of decision support systems often happens to be unsuitable for high-dimensional data, special attention must be paid to the sophisticated selection of the most relevant variables before learning the classification rule. Methods: We implemented a prototype of a diagnostic decision support system called SIR. The system has the ability to select the most relevant variables based on a set of high-dimensional measurements by means of a forward procedure optimizing a decision-making criterion. This allows to learn a reliable classification rule. Results: The implemented prototype was tested on a sample of patients involved in a cardiology study. We used SIR to perform an information extraction from a cardiological clinical study containing both clinical and gene expression data. The classification performance was evaluated by means of a cross validation study. Conclusions: The proposed classification system can be useful for clinicians in primary care to support their decision-making tasks with relevant information extracted from any available clinical study. It is especially suitable for analyzing high-dimensional data, e.g. gene expression measurements.

Charles University Prague 1st Faculty of Medicine

European Center for Medical Informatics Statistics and Epidemiology

Institute of Computer Science of the Academy of Sciences of the Czech Republic

Municipal Hospital in Cáslav

Výběr relevantních informací pro podporu rozhodování v medicíne s aplikací v kardiologii

Selecting relevant information for medical decision support with application in cardiology [elektronický zdroj] /

Citace poskytuje Crossref.org

Literatura