• MeSH
• komunitní lékařství MeSH
• lékařská onkologie MeSH

• Konspekt
• Patologie. Klinická medicína
• NLK Obory
• onkologie
• NLK Publikační typ
• elektronické časopisy

• MeSH
• automatizované zpracování dat MeSH
• chorobopisy - počítačové systémy MeSH
• chorobopisy MeSH
• hlášení pojistných škod MeSH
• počítačové komunikační sítě MeSH
• zdravotní pojištění MeSH

• Konspekt
• Patologie. Klinická medicína
• NLK Obory
• veřejné zdravotnictví
• NLK Publikační typ
• elektronické časopisy

• MeSH
• epidemiologické metody MeSH
• interpretace statistických dat MeSH
• počítačem řízená výuka MeSH
• Publikační typ
• příručky MeSH

• Konspekt
• Lékařské vědy. Lékařství
• NLK Obory
• epidemiologie
• statistika, zdravotnická statistika
• lékařská informatika

• MeSH
• chronické selhání ledvin statistika a číselné údaje   terapie   MeSH
• interpretace statistických dat MeSH
• počítačové komunikační sítě MeSH

• Konspekt
• Lékařské vědy. Lékařství
• NLK Obory
• nefrologie
• lékařská informatika
• urologie

• MeSH
• informační systémy MeSH
• sběr dat MeSH
• služby v oblasti duševního zdraví komunity MeSH

• Konspekt
• Lékařské vědy. Lékařství
• NLK Obory
• psychiatrie
• sociální lékařství
• NLK Publikační typ
• publikace WHO

Článek má za úkol seznámit čtenáře se základy problematiky bezpečnosti počítačového zpracování zdravotnické dokumentace a zdravotnických informačních systémů (ZIS). Tato problematika je u nás poměrně málo známá, proto je článek koncipován spíše jako přehledový, se širokým záběrem a nezachází do konkréínich podrobnosti. Příspěvek zahrnuje jak netechnickou sránku bezpečnosti ZIS, tak i technickou stránku, včetně některých bezpečnostních mechanismů.

The article deals with the problematics of medical information systems security and the security of computerized medical data processing. Because this problematics is rather new and unknown, the article contains an overview of problematics with broader scope and does not contain technical details. The article contains non-technical aspects of information security, as well as technical aspects including some security mechanisms.

• MeSH
• informační systémy MeSH
• počítačové komunikační sítě MeSH
• veřejné zdravotnictví MeSH
• zabezpečení počítačových systémů MeSH

Life sciences are yielding huge data sets that underpin scientific discoveries fundamental to improvement in human health, agriculture and the environment. In support of these discoveries, a plethora of databases and tools are deployed, in technically complex and diverse implementations, across a spectrum of scientific disciplines. The corpus of documentation of these resources is fragmented across the Web, with much redundancy, and has lacked a common standard of information. The outcome is that scientists must often struggle to find, understand, compare and use the best resources for the task at hand.Here we present a community-driven curation effort, supported by ELIXIR-the European infrastructure for biological information-that aspires to a comprehensive and consistent registry of information about bioinformatics resources. The sustainable upkeep of this Tools and Data Services Registry is assured by a curation effort driven by and tailored to local needs, and shared amongst a network of engaged partners.As of November 2015, the registry includes 1785 resources, with depositions from 126 individual registrations including 52 institutional providers and 74 individuals. With community support, the registry can become a standard for dissemination of information about bioinformatics resources: we welcome everyone to join us in this common endeavour. The registry is freely available at https://bio.tools.

• MeSH
• datové kurátorství MeSH
• registrace * MeSH
• software MeSH
• výpočetní biologie * MeSH
• Publikační typ
• časopisecké články MeSH
• práce podpořená grantem MeSH
• Research Support, N.I.H., Extramural MeSH

• MeSH
• primární zdravotní péče MeSH
• rozvojové země MeSH
• účast komunity MeSH
• veřejné zdravotnické služby trendy   organizace a řízení   MeSH

• Konspekt
• Veřejné zdraví a hygiena
• NLK Obory
• veřejné zdravotnictví
• management, organizace a řízení zdravotnictví
• NLK Publikační typ
• publikace WHO

Techniky strojového učení jsou metody, které umožní vytvořit z trénovací množiny případů model pro kategorie dat tak, že mohou být nové (neznámé) případy zařazeny do jedné nebo více kategorií schématem odpovídajícím modelu. Pro tento typ analýzy jsou velmi vhodná data ze studií sledujících určitou skupinu osob s opakovaným sběrem dat stejného typu. K vyhledávání znalostí z medicínských dat bylo užito různých algoritmů strojového učení. Bylo testováno několik algoritmů tak, aby bylo možno pokrýt většinu způsobů učení s učitelem. Byly provedeny dva typy pokusů. Jeden hledal vztahy mezi atributy, druhý testoval predikci budoucích příhod. Pro pokusy v tomto sdělení byla užita data z dvacet let trvající longitudinální primárně preventivní studie rizikových faktorů (RF) aterosklerózy u mužů středního věku. Studie se nazývá STULONG (LONGitudinal STUdy). Výsledky ukazují, že některé metody předpovídají některé poruchy lépe než jiné a že je tedy vhodné použít všechny algoritmy najednou a posuzovat spolehlivost výsledku na základě známého trendu každé metody. Algoritmy strojového učení byly také použity k předpovědi příčiny úmrtí. V tomto případě byly výsledky nevalné, pravděpodobně pro malé množství informace ve vstupních položkách v datového souboru.

Machine learning techniques are methods that given a training set of examples infer a model for the categories of the data, so that new (unknown) examples could be assigned to one or more categories by pattern matching within the model. The data from follow-up studies with repeated collection of the same type of data are very suitable for this analysis. Machine learning algorithms belonging to a variety of paradigms have been applied to knowledge discovery on medical data. All the used algorithms belong to the supervised learning paradigm. Several algorithms have been tested, trying to cover most of the kinds of supervised learning. Two kinds of experiments have been carried out. The first is intended to discover associations between attributes. The second kind is intended to test prediction of future disorders. For the experiments in this paper the data used was from the twenty years lasting primary preventive longitudinal study of the risk factors (RF) of atherosclerosis in middle aged men. Study is named STULONG (LONGitudinal STUdy). The results show that some methods predict some disorders better than others, so it is interesting to use all the algorithms at a time and consider the result confidence based upon the known tendency of each method. The machine learning algorithms have been also used in the prediction of death cause, obtaining poor results in this case, maybe due to the small amount of information (entries) of this type in the dataset.

• Klíčová slova
• dobývání znalostí, strojové učení s učitelem, vytěžování z biomedicínských dat, rizikové faktory aterosklerózy,
• MeSH
• algoritmy MeSH
• ateroskleróza diagnóza   MeSH
• faktografické databáze MeSH
• financování organizované MeSH
• lidé středního věku MeSH
• lidé MeSH
• metody pro podporu rozhodování MeSH
• prognóza MeSH
• rizikové faktory MeSH
• systémy pro podporu klinického rozhodování MeSH
• ukládání a vyhledávání informací MeSH
• znalostní báze MeSH
• Check Tag
• lidé středního věku MeSH
• lidé MeSH
• mužské pohlaví MeSH

• MeSH
• dokumentace MeSH
• dostupnost zdravotnických služeb MeSH
• důvěrnost informací MeSH
• ekonomika a organizace zdravotní péče MeSH
• integrované poskytování zdravotní péče MeSH
• osobní údaje MeSH
• veřejné zdravotnictví - informatika MeSH
• zdravotní politika MeSH
• zdravotnické informační systémy MeSH

• Konspekt
• Veřejné zdraví a hygiena
• NLK Obory
• veřejné zdravotnictví
• ekonomie, ekonomika, ekonomika zdravotnictví
• NLK Publikační typ
• studie