1 / 31

M anagement znalostí v medicíně „Datamining“

M anagement znalostí v medicíně „Datamining“. Professor R. Hanka Director, Medical Informatics Unit,University of Cambridge Visiting Profesor, Fakulta Managementu, VŠE. M anagement znalostí -v- ‘data mining’. Data mining Těžení informací z velmi rozsáhlých souborů electronic kých dat

nelly
Download Presentation

M anagement znalostí v medicíně „Datamining“

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Management znalostí v medicíně„Datamining“ Professor R. Hanka Director, Medical Informatics Unit,University of Cambridge Visiting Profesor, Fakulta Managementu, VŠE

  2. Management znalostí-v-‘data mining’ • Data mining • Těžení informací z velmi rozsáhlých souborů electronických dat • Znalost • Vytvořená z informací využitím interpretace adůležitosti • Management znalostí • zpřístupňování interpretovaných nebo interpretovatelných informací.

  3. Problém Rozdílný nárůst: Intelektuálních schopností Znalostí

  4. Lidskéintelektuální schopnosti • Nemožné měřit objektivně • Za minulých 5 millionůletobjem mozku vzrostl ze 400cm3na 1,400cm3 • Obsahuje asi 1011 neuronů a 1014 synapsí • Mezin a n.(n-1)/2spojů.

  5. Kapacita mozku Full connectivity Limited connectivity Zdvojnásobuje za 1.5 až 3 miliony roků

  6. Lidské znalosti • Nemožné měřit objektivně • Počet knih v knihovně Cambridge University.

  7. Knihy v knihovně Cambridge University Zdvojnásobují se každých 33 let !

  8. Nárůst znalostí a intelektu intelekt znalosti time

  9. Informační přetížení Nárůst znalostí a intelektu intelekt znalosti time

  10. Informační přetížení • 15.století - polymath • 18. století - lékař znal vše co se dalo znát • 20. století - specializace • 21. století - úzká specializace.

  11. Šířka znalosti Hloubka znalostí

  12. Velikost problému

  13. Informační přetížení • Zahlceni informacemi • Obtížné najít požadované informace • Obtížné posoudit kvalitu nalezených informací.

  14. Vannevar Bush“As We May Think” (1945) • Osobní knihovna (vertical books) • Stezky (horizontal hypertext) • Měnitelné • Anotace.

  15. Memex

  16. Rozhodnutí lékaře hledat informaci záleží na • Urgency • Očekávání že definitvní závěr bude nalezen. (Gorman & Helfand 1995)

  17. Všeobecné Local hospital prescribing guidelines Medical knowledge base Lokální Globální Clinical pathways Individual Practice Guidelines Specifické Informace

  18. Informační potřeby(clinické školení) Všeobecné Local hospital prescribing guidelines Medical knowledge base Globální Lokální Individual Practice Guidelines Clinical pathways Specifické

  19. Všeobecné Local hospital prescribing guidelines Medical knowledge base Lokální Globální Individual Practice Guidelines Clinical pathways Specifické Informační potřeby(lékař v praxi)

  20. Informační přetížení • Zahlceni informacemi • Obtížné najít požadované informace • Obtížné posoudit kvalitu nalezených informací • Internet ?

  21. Internet • Haphazardní sbírka informací • Navigace bez struktury • Výsledky hledání často obsahují ‘64,000 hits ‘ • Informační ‘zamoření’.

  22. Základní elementy managementu znalostí • ‘Rozumět’ textu • Kategorizace slov, vět,paragrafů a celých dokumentů • Knihovny elektronických dokumentů.

  23. Digitální knihovny • Většinou zatím obsahují elektronické kopie papírových dokumentů • Podpora kompletního cyklu managementu znalostí • Záruka kvality • Vybrané vnější zdroje • Archivování.

  24. Digitální knihovny výhody/nevýhody • Výhody • Založeny na informačních vědách • Dosažitelné odevšud • Kvalita managementu • Archivní role • Nevýhody • “knihy” často nejsou svázány nebo neexistují • Žádná pomoc od professionálních knihovníků.

  25. Nástroje managementu znalostí • Manuální • Proces je explicitní (vs. tacit knowledge) • Zvyšuje hodnotu • (Semi)automatické • Umělá inteligence (AI) • Rozpoznávání obrazců (pattern recognition).

  26. Automatická klasifikace dokumentů • Příklady tříd • Kardiovaskulární nemoce, chirurické techniky… • oficiální guidelines, guidelines pro zájmové skupiny, charity … • ‘Učení s učitelem‘ • Příklady ze všech možných tříd • starýAI problém.

  27. Příznaky, charakteristiky (features) • Příznaky • Základní termíny (slova) • Kontextuální charakteristiky • Charakteristiky struktůry dokumentů • Angličtina 500,000 slov • Běžný soubor 30,000 slov • Kletba Dimensionality • Nutnost snížit počet characteristik.

  28. Klasifikace s omezeným počtem příznaků

  29. Další nástroje • Produkce hyperlinků • Summarizace • ‘Vázání’ knih • Inteligentní hledání • Cíl je naučit počítač ’číst’.

  30. Dvě revoluce • Parní stroj začal průmyslovou revoluci • Železnice, poštovní služba, telegraf skutečný průmyslový rozvoj • Vynález počítače začal informační revoluci • Internet (packet switching) začátek rozvoje informační revoluce.

  31. Otázky? Otázky? Otázky? Otázky? Otázky? Otázky? Otázky?

More Related