• MeSH
• automatizované zpracování dat MeSH
• hypertenze MeSH
• lékařská informatika MeSH
• počítačové metodologie MeSH
• Publikační typ
• databáze MeSH

• 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
• faktografické databáze 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

• MeSH
• stárnutí MeSH

• Konspekt
• Geriatrie
• NLK Obory
• geriatrie
• NLK Publikační typ
• elektronické časopisy

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.

• MeSH
• aminokyseliny * chemie   metabolismus   MeSH
• databáze proteinů MeSH
• mapování interakce mezi proteiny metody   MeSH
• proteiny * chemie   metabolismus   MeSH
• software * MeSH
• statistické modely MeSH
• výpočetní biologie MeSH
• znalostní báze * MeSH
• Publikační typ
• časopisecké články MeSH

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

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.

• MeSH
• biologické přípravky * MeSH
• faktografické databáze MeSH
• management znalostí * MeSH
• výpočetní biologie MeSH
• znalosti MeSH
• Publikační typ
• časopisecké články MeSH
• práce podpořená grantem MeSH
• Research Support, N.I.H., Extramural MeSH

The research article compares opinions of domestic and foreign authors concerning the most important knowledge management aspects through the application of which a certain model of KM implementation in a health facility is affected. Knowledge management is a discipline with a high potential for development because of highly qualified work in the health care sector, and because of changes that occur in the science itself, as well as in the surrounding social environment, requiring creation and constant sharing of knowledge. The main goal of the article is to evaluate the current state of knowledge management activities in the health facilities in Slovakia. The attention is focused on knowledge management process and its dynamics. A questionnaire distributed to the management representatives of 89 health facilities in Slovakia was used for data collection. To evaluate the questionnaire, descriptive statistics and correlation analysis were applied, and statistical significance was examined at the significance level of α = 0.05 using t-test. The health facilities in Slovakia that were surveyed use codification strategy, which assumes the utilization of database information. Explicit knowledge is utilized, and knowledge workers’ priorities are not given emphasis in this strategy. Personalization strategy where knowledge is very closely linked to an individual and can only be disseminated by means of personal contact and the creation of a favorable culture is used very little and mostly in small-sized organizations. In the current health facility environment, the static model of knowledge management prevails, where the focus is primarily on existing knowledge, and on its ongoing use and replenishment using classic methods of acquisition and storage.

• MeSH
• data mining MeSH
• efektivita organizační MeSH
• management znalostí * ekonomika   statistika a číselné údaje   MeSH
• rozhodování organizační MeSH
• zdravotnická zařízení pracovní síly   statistika a číselné údaje   MeSH
• Publikační typ
• práce podpořená grantem MeSH

• MeSH
• lékařská informatika MeSH
• telemedicína MeSH
• Publikační typ
• kongresy MeSH
• souborné dílo MeSH

• Konspekt
• Veřejné zdraví a hygiena
• NLK Obory
• lékařská informatika