knowledge databases
Dotaz
Zobrazit nápovědu
- MeSH
- automatizované zpracování dat MeSH
- hypertenze MeSH
- lékařská informatika MeSH
- počítačové metodologie MeSH
- Publikační typ
- databáze MeSH
1st ed., repr. x, 448 s.
- MeSH
- databáze jako téma MeSH
- Publikační typ
- příručky MeSH
- Konspekt
- Informační věda
- NLK Obory
- knihovnictví, informační věda a muzeologie
Model reprezentace znalostí obsažených v lékařských doporučeních GLIKREM (GuideLInes Knowledge REpresentation Model) vychází z GLIF modelu, který byl publikován ve specifikaci GLIF3.5. GLIKREM obsahuje některé změny a rozšíření definice a implementace původního GLIF modelu. Cílem tohoto příspěvku je popis znalostního modelu GLIKREM, jeho konstrukce, implementace v XML, realizace datového rozhraní a použití výsledného modelu.
The guideline knowledge representation system (GLIKREM) is based on a GLIF model which was published in a GLIF3.5 specification. GLIKREM contains some changes and extensions of the definition and implementation of the original GLIF model. The aim of this article is to give a description of GLIKREM, its construction, its implementation in XML, a realization of the data interface and use of the result model.
- Klíčová slova
- GLIF model,
- MeSH
- databáze faktografické MeSH
- financování organizované MeSH
- informační systémy normy MeSH
- navrhování softwaru MeSH
- rozhodování pomocí počítače MeSH
- směrnice pro lékařskou praxi jako téma normy MeSH
- systémová integrace MeSH
- systémy pro podporu klinického rozhodování MeSH
- teoretické modely MeSH
- ukládání a vyhledávání informací normy MeSH
- znalostní báze MeSH
- zpracování přirozeného jazyka MeSH
elektronický časopis
BACKGROUND: Protein-protein interactions (PPI) play a key role in an investigation of various biochemical processes, and their identification is thus of great importance. Although computational prediction of which amino acids take part in a PPI has been an active field of research for some time, the quality of in-silico methods is still far from perfect. RESULTS: We have developed a novel prediction method called INSPiRE which benefits from a knowledge base built from data available in Protein Data Bank. All proteins involved in PPIs were converted into labeled graphs with nodes corresponding to amino acids and edges to pairs of neighboring amino acids. A structural neighborhood of each node was then encoded into a bit string and stored in the knowledge base. When predicting PPIs, INSPiRE labels amino acids of unknown proteins as interface or non-interface based on how often their structural neighborhood appears as interface or non-interface in the knowledge base. We evaluated INSPiRE's behavior with respect to different types and sizes of the structural neighborhood. Furthermore, we examined the suitability of several different features for labeling the nodes. Our evaluations showed that INSPiRE clearly outperforms existing methods with respect to Matthews correlation coefficient. CONCLUSION: In this paper we introduce a new knowledge-based method for identification of protein-protein interaction sites called INSPiRE. Its knowledge base utilizes structural patterns of known interaction sites in the Protein Data Bank which are then used for PPI prediction. Extensive experiments on several well-established datasets show that INSPiRE significantly surpasses existing PPI approaches.
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
Úvod: Pokrok vedeckého poznání vede k produkci velkého množství odborné literatury. Pro její efektivní použití v klinické praxi je nezbytné filtrování informací podle casových a kvalitativních a relevanci urcujících parametru. Cíle: Rozhodli jsme se vytvorit nezávislé webové rozhraní pro prohledávání databáze PubMed pro získávání aktuálních a na dukazech založených vedeckých clánku z oboru kardiologie. Výsledky: Aplikace Cardio Online Reader (COR) (http://neo.euromise.cz/cor) nabízí snadný a efektivní prístup k validním a relevantním vedeckým clánkum filtrovaným prostrednictvím klícových slov, termínu MeSH, jmen autoru, data a typu publikace. Výsledky vyhledávání mohou být komentovány, hodnoceny, ukládány jako citace a sdíleny za použití nejznámejších webových služeb pro sdílení obsahu. Záver: Použití COR muže pozitivne ovlivnit klinické rozhodnutí lékaru poskytováním relevantních a aktuálních vedeckých informací.
Background: The progress of scientific knowledge produces an excessive amount of scholarly literature. For effective clinical use it is necessary to use time, quality and relevance filtering. Objectives: We decided to create an independent web based interface for searching the PubMed Database for recent evidence-based articles in the domain of cardiology. Results: The Cardio Online Reader (COR) application (http://neo.euromise.cz/cor) offers an easy way to reach valid and relevant articles filtered by keywords, MeSH terms, authors, date of publication and type of publication. Results can be commented, rated, stored as citations and shared using most popular web sharing services. Conclusion: Using COR can positively affect clinical decisions of physicians bringing them relevant and up-to-date scientific information.
- Klíčová slova
- elektronické databáze, Web 2.0, podpora rozhodování,
- MeSH
- databáze jako téma MeSH
- financování organizované MeSH
- kardiologie metody statistika a číselné údaje MeSH
- Medical Subject Headings MeSH
- počítače využití MeSH
- PubMed statistika a číselné údaje využití MeSH
- ukládání a vyhledávání informací metody využití MeSH
- vyhledávač využití MeSH
Contemporary bioinformatic and chemoinformatic capabilities hold promise to reshape knowledge management, analysis and interpretation of data in natural products research. Currently, reliance on a disparate set of non-standardized, insular, and specialized databases presents a series of challenges for data access, both within the discipline and for integration and interoperability between related fields. The fundamental elements of exchange are referenced structure-organism pairs that establish relationships between distinct molecular structures and the living organisms from which they were identified. Consolidating and sharing such information via an open platform has strong transformative potential for natural products research and beyond. This is the ultimate goal of the newly established LOTUS initiative, which has now completed the first steps toward the harmonization, curation, validation and open dissemination of 750,000+ referenced structure-organism pairs. LOTUS data is hosted on Wikidata and regularly mirrored on https://lotus.naturalproducts.net. Data sharing within the Wikidata framework broadens data access and interoperability, opening new possibilities for community curation and evolving publication models. Furthermore, embedding LOTUS data into the vast Wikidata knowledge graph will facilitate new biological and chemical insights. The LOTUS initiative represents an important advancement in the design and deployment of a comprehensive and collaborative natural products knowledge base.
Topics in information systems
1st ed. 11, 510 s.
- MeSH
- informatika MeSH
- software MeSH
- umělá inteligence MeSH
- Publikační typ
- sborníky MeSH
- Konspekt
- Lingvistika. Jazyky
- NLK Obory
- technika
Cíl studie: Podat přehled současného stavu znalostí o změnách hemostatického systému při užívání kombinované hormonální antikoncepce se zaměřením na nové poznatky z období let 1997-2000.Typ studie: Literární přehled.Název a sídlo pracoviště: Oddělení klinické hematologie FN Hradec Králové.Metodika: Souhrn výsledků rozsáhlejších prací publikovaných na dané téma. Přehled prací získán pomocí rešerše z databáze Medline.Výsledky: Změny v hemostáze se odehrávají v několika oblastech: v prokoagulačním a fibrinolytickém systému, v inhibitorech koagulace a promítají se i do molekulárních markerů aktivity koagulace a fibrinolýzy. Nejsou popsány významné rozdíly v ovlivnění hemostázy u přípravků obsahujících dávky etinylestradiolu 20-50 mg a do roku 1997 nebyly popsány ani významné rozdíly mezi jednotlivými progestiny. V posledních letech byl popsán vyšší stupeň získané rezistence na aktivovaný protein C u progestinů 3. generace v porovnání s levonorgestrelem a posléze výraznější inhibice fibrinolýzy u přípravků obsahujících desogestrel.Závěr: Výsledky recentních studií naznačují rozdíl v ovlivnění hemostázy mezi přípravky obsahujícími progestiny 3. generace, resp. desogestrel, a přípravky obsahujícími levonorgestrel. Praktické postupy při minimalizaci rizika TEN se však soustřeďují na osobní a rodinnou anamnézu, poučení uživatelky, až v poslední řadě pak na volbu konkrétního přípravku.
Objective: Review the knowledge about changes in hemostatic system in combined oral contraceptives users (focused on studies published between 1997 and 2000).Type of study: Review of literature.Setting: Department of Clinical Hematology, University Hospital Hradec Králové, Czech Republic.Methods: Summary of the results of substantial studies published on this topic. Studies were identified by Medline database search.Results: Hemostatic changes were described in all subsystems (in both procoagulant and fibrinolytic system, in natural inhibitors of coagulation) and could be seen also in molecular markes of coagulation and fibrinolysis activity. Substantial differences were not described for ethinylestradiol doses 20-50 mg and up to 1997 also not for different progestins. More expressed acquired resistance to activated protein C at 3rd generation progestins in comparison with levonorgestrel was described recently as well as greater inhibition of fibrinolysis at desogestrel users.Conclusion: The results of recent studies indicate the differences in hemostatic changes between users of 3rd generation progestins, respective desogestrel, and users of levonorgestrel. However, the practical recommendations (aiming at minimalization of VTE risk) are focused on personal and family history and on patient counseling. The choice of progestin could be important but it is not cruicial.
