data prediction
Dotaz
Zobrazit nápovědu
Úvod: Předchozí studie u pacientů s unipolární depresí ukázaly, že časný pokles EEG kordance (nová metoda kvantitativního EEG – QEEG) může predikovat odpověď na antidepresivní léčbu. Parametr kordance kombinuje komplementární informace absolutního a relativního výkonového EEG spektra. Současné studie prokázaly, že hodnota kordance koreluje s perfuzí mozku. Autoři diskutují vztah kordance a aktivity předního cingula. Cílem studie bylo prokázat, zda časný pokles EEG kordance pøedstavuje obecný fenomé n, který souvisí s odpovědí na léčbu u pacientů s rezistentní depresí. Metoda: Do studie bylo zaøazeno 24 pacientù trpících rezistentní depresí. Jedná se o doplněný soubor 17 pacientů, jehož analýza již byla publikována. Klinický stav a odpověď na léčbu byly hodnoceny před zahájením léčby, po jejím 1. a 4. týdnu. EEG kordance byla vypočtena ze 3 frontálních elektrod ve frekvenčním pásmu theta před zahájením a po 1. týdnu léčby. Výsledky: Všech 24 pacientů dokonèilo 4týdenní studii. U všech 6 respondérů byl zaznamenán pokles v prefrontální kordanci po 1. týdnu léčby. Ve skupině nonrespondérů to bylo pouze u 4 pacientů z 18. Pokles prefrontální kordan ce u respondérů, stejně jako její nárůst u nonrespondérů po 1. týdnu, byl statisticky významný (p=0,03 v obou skupinách) a rozdíl ve změně kordance se mezi oběma skupinami lišil (p = 0,001). Závěr: Naše výsledky naznačují, že QEEG kordance může být slibným nástrojem v predikci odpovědi na antidepresivní léčbu.
Introduction: Previous studies of patients with unipolar depression have shown that early decreases of EEG cordance (a new quanti- tative EEG method) can predict clinical response. Cordance combines complementary informations, from absolute and relative powe r of EEG spectra. Recent studies have shown that cordance correlates with cortical perfusion. The authors discuss connection betw een cordance and activity of anterior cingulum. The aim of study was to examine whether early QEEG decrease represents a phenomenon associated with response to treatment with different antidepressants in patients with treatment resistant depression. Method: The subjects were 24 inpatients with treatment resistant depression. It is extended sample (17 inpatients) from our work, which was pub- lished previously. Clinical status and response to treatment were monitored at baseline and after 1 and 4 weeks on an antidepre ssant treatment. QEEG cordance was computed at 3 frontal electrodes in theta frequency band in baseline and after week 1. Results: All 24 patients completed the 4-week study. All six responders showed decreases in prefrontal cordance after the first week of trea tment. Only 4 of the 18 nonresponders showed early prefrontal cordance decrease. The decrease of prefrontal QEEG cordance after week 1 in responders as well as the increase in nonresponders were both statistically significant (p-value 0.03 in both groups) and the c hanges of prefrontal cordance values were different between both groups (p-value 0.001). Conclusion: Our results suggest that QEEG cordance may become a useful tool in the prediction of response to antidepressants.
- MeSH
- antidepresiva škodlivé účinky terapeutické užití MeSH
- depresivní porucha unipolární farmakoterapie komplikace MeSH
- elektroencefalografie metody využití MeSH
- farmakologické účinky MeSH
- finanční podpora výzkumu jako téma MeSH
- interpretace statistických dat MeSH
- lidé MeSH
- výsledky a postupy - zhodnocení (zdravotní péče) metody využití MeSH
- Check Tag
- lidé MeSH
- Publikační typ
- srovnávací studie MeSH
Východiska a účely: Cílem příspěvku je představit již aplikované metodické koncepty a aktuální výsledky predikce budoucích počtů pojištěnců VZP ČR (podle věku a pohlaví), které by měly být východiskem úvah o budoucí solventnosti a profitabilitě největší zdravotní pojišťovny v ČR i v České republice jako celku. Materiál a metody: V rámci nám dostupných datových zdrojů jsme analyzovali časové řady počtů pojištěnců VZP za roky 2002-2017 v každém kvartální období a datové zdroje možných vysvětlujících proměnných. Vzhledem k majoritním podílům VZP na trhu zdravotního pojištění v ČR (ve většině věkových skupin vyšším než 50%) byly do předpovědních modelů zavzaty časové řady počtů obyvatel ČR z demografických projekcí ČSÚ r. 2013. Ty jsme doplnili o extrapolované trendy přeregistrací pojištěnců (odchody a příchody do VZP) v odpovídajících věkových strukturách. Budoucí počty pojištěnců byly modelovány s využitím extrapolačních postupů běžných při aplikaci metodiky odvozených demografických projekcí v kombinaci s adaptivními aditivní- mi regresními modely. Výsledky: V rámci jednotlivých věkových skupin se významně uplatňují obě použité exogenní proměnné, tzn. “strategická” demografická i “operativní” (aktuálně mírně rostoucí) přeregistrační složka. Takto koncipovanou predikci můžeme považovat za poměrně spolehlivou pro období nejbližších 2-3 let; pro delší horizonty se můžeme opírat v podstatě jen o sofistikovanou demografickou složku. Variantní budoucí vý- voj přeregistrační složky lze však efektivně modelovat prostřednictvím modelových scénářů v rámci uživatelské excelovské aplikace vytvořené až na regionální úroveň krajů ČR. Závěry: Aktuálně se VZP nachází v období, kdy lze budoucí vývoj predikovat spíše s větším množství nejistoty; je tedy třeba počítat i s tím, že by se výsledky dosažené stávající nebo mírně modifikovanou metodikou měly průběžně aktualizovat po uzá- věrkách stavů pojištěnců za každé čtvrtletí nebo pololetí.
Objectives: The aim of this contribution is to introduce the applied methodological concepts and the current results for forecasting the numbers of insured person in VZP insurance company (by age and sex), which should be the base of her future solvency and profitability, and in the Czech Republic as a whole. Keywords: number of health insured persons by gender and age, regression models for extrapolation of time series, population projections, new registration of insured, adaptive management processes Materials and methods: Inside available data sources we have analysed the time series of insured persons at VZP insurance company between 2002 - 2017 in each quarterly period and data sources for possible explanatory variables. Due to majority shareholdings in health insurance in the Czech Republic (in most age groups more than 50 percent) we pooled the numbers of living people from official demographic projections of the Czech Republic from 2013. We extrapolated the trends of new registered insured persons of VZP (outcoming and incoming) in corresponding age structures. The future numbers of insured were modelled using extrapolating algorithms used in the methodology of derived demographic projections in combination with adaptive aditive regression models. Results: In the various age groups are in different rate significant both components: " strategic " demographics and "operational" (currently slightly growing) new registrations. This concept of prediction we assume as relatively reliable for the next 2 - 3 years; for longer horizons it must be based essentially on sophisticated demographic evolution. The future development of new registered insured people may be effectively modelled by user friendly model scenarios in MS Excel application made until the regional levels, too. Conclusions: The VZP health insurance company currently stays in the status, when her future development is possible to predict only with more uncertainty; therefore to be assumed, that the results achieved by the existing or slightly modified current methodology should be updated after each quarter or semester.
- Klíčová slova
- extrapolace, adaptivní řídící procesy, projekce obyvatelstva, přeregistrace pojištěnců,
- MeSH
- demografie MeSH
- lidé MeSH
- pojišťovny ekonomika MeSH
- populace MeSH
- regresní analýza MeSH
- rozložení podle pohlaví MeSH
- statistika jako téma MeSH
- teoretické modely * MeSH
- ukládání a vyhledávání informací MeSH
- věkové rozložení MeSH
- všeobecné zdravotní pojištění * MeSH
- Check Tag
- lidé MeSH
- Geografické názvy
- Česká republika MeSH
Práce s big daty vyžaduje použití prostředků umělé inteligence. Přináší to možnost transformace laboratorních výsledků do formy strojového učení-machine learning (ML). Od něho se očekává aktivace dat, přinášející zlepšení diagnostických možností laboratorních vyšetření. Jde o posuv od použití počítačů, sloužících z části jako skladiště mrtvých dat, k aktivnějšímu využití jejich potenciálu pro diagnostiku, management, edukaci, výzkum a další. Zejména pak k predikci stavu chorob a k precizní medicíně v onkologii i jinde. Důsledkem by měl být integrovaný mezioborový přístup k diagnostice a reálné dosažení efektivní personalizace při diagnostice a terapii pacientů. Sdělení je pokusem o pomoc při zavádění práce s big daty a umělou inteligencí v klinických laboratořích. Vychází z faktu obrovské akcelerace tohoto přístupu, zdaleka nejen pouze v laboratorní medicíně.
Working the big data needs using of artificial intelligence tools. This approach introduced currently into practice by large velocity leads to machine learning. Machine learning should be a strong way namely for the prediction of patient's state, for precision medicine in oncology and many more cases. For example for aiming the real personalisation of patients in dese of their diagnosis and therapy. This work can be a helpful tool for the introduction of artificial intelligence in routine clinical laboratories.
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
- databáze faktografické 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
Texts in statistical science
1st ed. xiv, 699 s.
3rd ed. 110 s. : il. + CD ROM
- MeSH
- hodnocení rizik metody statistika a číselné údaje trendy MeSH
- klíšťová encefalitida epidemiologie MeSH
- kontrola klíšťat MeSH
- lidé MeSH
- rizikové faktory MeSH
- zobrazování dat metody trendy MeSH
- Check Tag
- lidé MeSH
- Publikační typ
- mapy MeSH
- srovnávací studie MeSH
- Geografické názvy
- Česká republika MeSH
