Системный анализ и обработка информации медицинских регистров в регионах

• Автор: Хромушин, Виктор Александрович
• Шифр специальности: 05.13.01
• Научная степень: Докторская
• Год защиты: 2006
• Место защиты: Тула
• Количество страниц: 348 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ.

ГЛАВА 1. ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ АНАЛИЗА

ПОСЛЕДСТВИЙ ТЕХНОГЕННЫХ КАТАСТРОФ

1.1. Медицинские последствия техногенных катастроф на примере аварии на Чернобыльской атомной электростанции .
1.2. Информационная поддержка методология, алгоритмы и программное обеспечение по сбору, верификация и анализ медицинских данных.

ГЛАВА 2. ОБЪЕКТ И МЕТОДЫ ИССЛЕДОВАНИЯ

ГЛАВА 3. ПУТИ ОПТИМИЗАЦИИ МЕДИЦИНСКИХ РЕГИСТРОВ И ОБЕСПЕЧЕНИЕ ВЫСОКОЙ ДОСТОВЕРНОСТИ ДАННЫХ

3.1. Пути информационной оптимизации медицинских рсгистров

3.2. Принципы обеспечения достоверности данных .

ГЛАВА 4. ПОЭТАПНЫЙ АНАЛИЗ ДАННЫХ МЕДИЦИНСКИХ

РЕГИСТРОВ МЕТОДОЛОГИЯ И АЛГОРИТМЫ
4.1. Методология поэтапного анализа данных регистра
4.2. Анализ данных на основе оценки значимости переменных .
4.3. Сравнительный частотный анализ не сочетанных причин на предварительном этапе исследований данных медицинских регистров
4.4. Анализ сочетанного влияния факторов.
4.5. Прогноз влияния последствий техногенных катастроф на перинатальную смертность населения на примере территорий Тульской области с правом на отселение за годы
4.6. Построение математических моделей на основе кросстабуляции многомерного отклика с взвешенной оценкой
4.7. О возможности применения анализа с разбивкой факторов
на группы
4.8. Особенности применения алгебраических моделей
ГЛАВА 5. СТРУКТУРА УПРАВЛЕНИЯ АНАЛИТИЧЕСКИМИ
РАБОТАМИ ОБЛАСТНОГО УРОВНЯ.
5.1. Сбор и верификация данных в регистр.
5.2. Организация аналитических работ.
5.3. Основные направления совершенствования организационной структуры аналитических работ
ГЛАВА 6. ОЦЕНКА РЕЗУЛЬТАТОВ РАЗРАБОТКИ И ВНЕД
РЕНИЯ РЕГИОНАЛЬНОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ МОНИТОРИНГА РОЖДАЕМОСТИ И СМЕРТНОСТИ НАСЕЛЕНИЯ.
6.1. Регистр смертности населения
6.2. Регистр рождаемости населения.
6.3. Пути совершенствования мониторинга рождаемости населения.
6.4. Регистр перинатальной смертности населения
6.5. Программа дополнительной верификации данных регистра смертности населения.
6.6. Программа АЫЗБО для частотного анализа множественных причин смерти населения.
6.7. Аналитическая программа АМСЬ
6.8. Прочие программы для мониторинга рождаемости и смертности
ГЛАВА 7. РОЖДАЕМОСТЬ И СМЕРТНОСТЬ НАСЕЛЕНИЯ
ТУЛЬСКОЙ ОБЛАСТИ ПРИ ИЗУЧЕНИИ ПОСЛЕДСТВИЙ ЧЕРНОБЫЛЬСКОЙ АВАРИИ МАТЕМАТИЧЕСКИЕ МОДЕЛИ И АНАЛИЗ.
7.1. Предварительное исследование поэтапного анализа причин смерти.
7.2. Аналитический расчет множественных причин смерти
7.3. Уточненный аналитический расчет.
7.4. Углубленный математический анализ с использованием алгебраических моделей
7.5. Оценка результатов аналитических расчетов.
ЗАКЛЮЧЕНИЕ.
ВЫВОДЫ.
ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ
СПИСОК ЛИТЕРАТУРЫ


Эффективным методом, широко используемым в анализе медицинских данных, является метод случайконтроль. Имея базу, например, по рождаемости и смертности, исследователь может выбрать случаи в диапазоне кодов МКБ. Для контроля из базы можно выбрать записи по генератору случайных чисел, совпадающими по иолу, территории проживания и дате рождения с точностью полгода. Данный подход применим к поставленным задачам исследования. Тем не менее, данные регистров фактически являются сплошным статистическим наблюдением, что позволяет надеяться на высокую точность оценки при выборе подходящей методологии исследований. Метод случайконтроль оптимален при дефиците данных и не оптимален для регистров с данными сплошного наблюдения. Чаще всего факторный анализ используется или как метод сокращения данных или как метод классификации. Первый из них в большей степени ориентирован под решение поставленных в данной диссертации задач. Это направление развивает процедура выделения главных компонент, которая подобна вращению, максимизирующему дисперсию исходного пространства переменных. В анализе главных компонент в пространстве значений находят линию выделен первый фактор, для которой дисперсия максимальна. Вокруг нее остается некоторый разброс данных. После этого определяется следующая линия, максимизирующая остаточную вариацию разброс данных вокруг первой прямой, и т. Таким образом, факторы последовательно выделяются один за другим. Так как каждый последующий фактор определяется так, чтобы максимизировать изменчивость, оставшуюся от предыдущих, то факторы оказываются независимыми друг от друга. Другими словами, некоррелированными или ортогональными. В рассматриваемом методе чаще всего используют критерий Кайзера и критерий каменной осыпи. С использованием общего метода первый критерий иногда сохраняет слишком много факторов, в то время как второй критерий иногда сохраняет слишком мало факторов. Однако оба критерия вполне хороши при нормальных условиях, когда имеется относительно небольшое число факторов и много переменных. На практике возникает важный дополнительный вопрос когда полученное решение может быть содержательно интерпретировано. Поэтому обычно исследуется несколько решений с большим или меньшим числом факторов, и затем выбирается одно наиболее осмысленное. Недостатком, затрудняющим применение факторного анализа применительно к решению поставленных задач, является сложность использования и интерпретации результата. Следует заметить, что применение алгебраических алгоритмов прежде всего оправдывает себя при сплошном наблюдении или при скрининговых исследованиях. В методе АМКЛ процесс моделирования направлен на получение малого числа наиболее кратких выводов, т. Это описание соответствует минимальной длине программы итоговой формы АМКЛ, содержащей всю требуемую информацию о заданном объекте, достаточную для его восстановления 5. Известна общая концепция в конструктивной математике 8 относительно некоторой иерархии алгорифмов, определяющих в итоге способы понимания сложных суждений. Здесь под алгорифмом будем понимать последовательность некоторых операций над сложными суждениями, в результате которых они становятся более простыми более ясными в семантическом, т. Основное условие ясности понимания заключается в том, чтобы алгорифм строил бы, в частности, по любому состоянию объекта такое суждение, чтобы оно было бы мажорантой по отношению к полученной формуле. Под мажорантой будем понимать более общую по смыслу формулу, которая соответствует большему числу состояний объекта X, чем оценка, полученная по АМКЛ для исходной интерпретируемой формулы. На практике такой способ понимания реализуется путем использования информационнопоисковых систем или литературных данных для выяснения смысла получаемых исходных логических формул. Данная алгебраическая модель достаточна проста в использовании и применяется нами для анализа медицинских данных 0, в том числе РГМДР 8. Однако данный алгоритм нуждается в дальнейшем совершенствовании в части получения оптимальных результатов по заданным критериям.