Байесовские сети доверия как вероятностная графическая модель для оценки медицинских рисков
Ключевые слова:
байесовские сети доверия, медицинские риски, медицинская диагностика, медицинская прогностика,Аннотация
Реализация медицинских рисков приводит к возникновению нежелательных событий, которые характеризуются нанесением вреда здоровью пациентов, неэффективным использованием человеческих и экономических ресурсов, экономическим ущербом организации здравоохранения. В рамках системного подхода к анализу риска, медицинский риск связан с неопределенностью, которая описывается значительным влиянием человеческого фактора в медицинской системе. Стоит задача оценки медицинских рисков и построения систем поддержки принятия решения на различных этапах работы с пациентом. В статье рассмотрено современное состояние применения аппарата байесовских сетей доверия для оценки медицинского риска и поддержки принятия решений в медицинской диагностике и прогностике, в частности, в контексте риск-менеджмента медицинских организации и оценке страховых рисков.Литература
Акопов В.И. Проблема обоснованного риска в медицинской практике // Проблемы экспертизы в медицине. 2001. №1. Т.1. С. 8-10
Страхование (под ред. Г.В. Черновой). М.:ООО «Издательство Проспект». 2007. 426 с.
Тулупьев А.Л. Алгебраические байесовские сети: локальный логико-вероятностный вывод: Учеб. пособие. СПб.: СПбГУ; ООО Издательство «Анатолия», 2007. 80 с. (Сер. Элементы мягких вычислений)
Тулупьев А. Л., Николенко С. И., Сироткин А. В. Байесовские сети: логико-вероятностный подход. СПб.: Наука, 2006. 607 с.
Тулупьев А.Л., Сироткин А.В., Николенко С.И. Байесовские сети доверия: логико-вероятностный вывод в ациклических направленных графах. СПб.: Изд-во С.-Петерб. ун-та. 2009. 400 с.
Фильченков А.А. Меры истинности и вероятностные графические модели для представления знаний с неопределенностью // Труды СПИИРАН. 2012. №4. 254-295
Фильченков А.А. Алгебраическая байесовская сеть как основа для медицинской диагностической модели // «Математическое и компьютерное моделирование в биологии и химии. Перспективы развития». Сборник трудов I Международной интернет-конференции. Казань.: Из-во «Казанский университет». 2012.С. 162–166
Фишберн П. Теория полезности для принятия решений. М.: Наука. 1978. 352 с.
Abu-Hanna A., Lucas P. J F. Prognostic Models in Medicine: AI and Statistical Approaches // Methods of Information in Medicine. 2001. № 40. P. 1–5
Abu-Hanna A., Lucas P. J F. Prognostic Methods in Medicine // Proceedings of Computational Engineering in Systems Applications 1998 (IMACS-IEEE, UCIS, Lille). 1998
Acida S., de Campos L.M., Fernández-Lunab J.M., Rodrı́guezc S., Rodrı́guezc J.M., Salcedoc J.L. A comparison of learning algorithms for Bayesian networks: a case study based on data from an emergency medical service // Artificial Intelligence in Medicine. 2004. Vol. 30. №3. 215-232
Albolino S., Tartaglia R., Bellandi T., Amicosante E., Bianchini E., Biggeri A. Patient safety and incident reporting: Survey of Italian healthcare workers // Quality and Safety in Health Care. 2010. 19. P. i8–i12
Amalberti R, Auroy Y, Berwick D, Barach P. Improving patient care: Five system barriers to achieving ultrasafe health care // Annals of Internal Medicine. 2005. 142. P. 756–764
Andreassen S. Planning of therapy and tests in causal probabilistic networks //ArtifIntell Med. 1992. №4. P. 227–241
Andreassen S., Riekehr C., Kristensen B., Schønheyder H.C., Leibovici L. Using probabilistic and decisiontheoretic methods in treatment and prognosis modeling //ArtifIntell Med. 1999. № 15. P. 121–134
Andrews LB, Stocking C, Krizek T, Gottlieb L, Krizek C, Vargish T, et al An alternative strategy for studying adverse events in medical care // Lancet. 1997. 349. P. 309–313
Antal P., Verrelst H., Timmerman D., Moreau Y., Van Huffel S., De Moor B., Vergote I. Bayesian Net-works in Ovarian Cancer Diagnosis: Potentials and Limitations // IEEE Symposium on Computer-Based Medical Systems, CBMS 2000, proceedings 13th. 2000. P. 103–108
Aronsky D., Haug P.J. Diagnosing Community-Acquired Pneumonia with a Bayesian Network. Proc AMIA Symp. 1998. P.632-636
Bagnara S., Parlangeli O., Tartaglia R. Are hospitals becoming high reliability organizations? // Applied Ergonomics. 2010. 41(5). 713–718
Bellazzi R., Zupanb B. Predictive data mining in clinical medicine: Current issuesand guidelines // International Journal of Medical Informatics. 2008. Vol. 77. № 2. P. 81–97
Bogardus S.T., Holmboe E., Jekel J.F. Perils, Pitfalls, and Possibilities in Talking About Medical Risk // JAMA. 1999. 281(11). P. 1037-1041. doi:10.1001/jama.281.11.1037
Boxwala A.A., Dierks M., Keenan M., Jackson S., Hanscom R., Bates D.W., Sato L. Organization and Representation of Patient Safety Data: Current Status and Issues around Generalizability and Scalability // J Am Med Inform Assoc. 2004. 11(6). P. 468–478
Brennan T.A., Leape L.L., Laird N.M., Hebart L., Loralio A.R., Lawthers A.G., et al Incidence of adverse events and negligence in hospitalized patients. // N Engl J Med. 1991. № 324. P. 370–376
Burnside E. S., Rubin D. L., Fine J. P., Shachter R. D., Sisney G. A., Leung W. K. Bayesian Network to Predict Breast Cancer Risk of Mammographic Microcalcifications and Reduce Number of Benign Biopsy Results: Initial Experience // Radiology. 2006. Vol. 240. № 3.P. 666-673
Carayon P. Human factors of complex sociotechnical systems // Appl Ergon. 2006. 37(4). P. 525-35
Carayon P., Wood K.E. Patient Safety: The Role of Human Factors and Systems Engineering // Stud Health Technol Inform. 2010. № 153. P. 23–46
Carayon P., Bass E., Bellandi T., Gurses A., Hallbeck S., Mollo V. Socio-Technical Systems Analysis in Health Care: A Research Agenda // IIE Trans Healthc Syst Eng. 2011. №1(1). P. 145–160
Chattopadhyay S., Davis R.M., Menezes D.D., Singh G., Acharya R.U., Tamura T. Application of Bayesian Classifier for the Diagnosis of Dental Pain // J Med Syst. 2012. №36. P. 1425–1439
Coiera. E.W. Artificial Intelligence in Medicine: The Challenges Ahead // J Am Med Inform Assoc. 1996. №3. P. 363-366. doi:10.1136/jamia.1996.97084510
Díez F.J., Miraa J., Iturraldeb E., Zubillagac S. DIAVAL, a Bayesian expert system for echocardiography // Artificial Intelligence in Medicine. 1997. Vol.10. № 1. P. 59–73
Effken J.A. Different lenses, improved outcomes: a new approach to the analysis and design of healthcare information systems // Int J Med Inform. 2002. № 65(1). P. 59-74
Fawcett T. An introduction to ROC analysis // Pattern Recognition Letters. 2006. № 27. P. 861–874
Fenton N., Neil M. Comparing risks of alternative medical diagnosis using Bayesian arguments // Journal of Biomedical Informatics. 2010. № 43. P. 485–495
Friedman N., Geiger D., Goldszmidt M. Bayesian networks classifiers // Mach. Learn. 1997. № 29. P. 131–163
Galan SF, Aguado F, Dıez FJ, Mira J. NasoNet: joining Bayesian networks and time to model nasopharyngeal cancer spread // Proceedings of the Eighth International Conference on Artificial Intelligence in Medicine in Europe (AIME 2001), Lecture Notes in Artificial Intelligence (LNAI) 2101. 2001. Berlin: Springer-Verlag. P. 207–216
Getoor L., Rhee J.T., Koller D., Small P. Understanding tuberculosis epidemiology using structured statistical models // Artificial Intelligence in Medicine. 2004. 30. P. 233–256
Guyatt G., Cairns J., Churchill D., Cook D., Haynes B., Hirsh J., Irvine J., Levine M., Levine M., Nishikawa J., Sackett D., Brill-Edwards P., Gerstein H., Gibson J., Jaeschke R., Kerigan A., Neville A., Panju F.et al Evidence-Based Medicine: A New Approach to Teaching the Practice of Medicine // JAMA. 1992. № 268(17). P. 2420-2425. doi:10.1001/jama.1992.03490170092032
Heckerman D. Probabilistic similarity networks // Networks. 1990. № 20. P. 607–636
Karthikeyan G., Pais P. Clinical judgment & evidence-based medicine: time for reconciliation // Indian J Med Res. 2010. № 132(5). P. 623–626. doi: 10.4103/0971-5916.73418
Kononenko I. Inductive and Bayesian Learning in Medical Diagnosis // Applied Artificial Intelligence: An International Journal. 1993. Vol. 7. № 4.P. 317-337
Kononenko I. Machine learning for medical diagnosis: history, state of the art and perspective // Artificial Intelligence in Medicine. 2001. Vol. 23. № 1. P. 89–109
Lacave C., Diez F.J. Knowledge Acquisition in PROSTANET – A Bayesian network for diagnosis prostate cancer // Knowledge-Based Intelligent Information and Engineering Systems. Lecture Notes in Computer Science. 2003. Vol. 2774. P. 1345-1350
Leape L.L. Error in medicine // JAMA. 1994. № 272. P. 1851–1857
Leape L.L., Berwick D.M. Five years after To Err Is Human: What have we learned? // Journal of the American Medical Association. 2005. № 293(19). P. 2384–2390
Lucas P., van der Gaag L., Abu-Hanna A. Bayesian networks in biomedicine and healthcare // Artificial Intelligence in Medicine. 2004. №30. P. 201–214
Lucas P.J.F., Boot H., Taal B. A decision-theoretic network approach to treatment management and prognosis // Knowledge-Based Systems. 1998. Vol. 11. № 5–6. P. 321-330
Lucas P.J.F, Boot H, Taal B.G. Computer-based decision-support in the management of primary gastric non-Hodgkin lymphoma // Meth Inform Med. 1998. №37. P. 206–219
Lucas P.J.F., De Bruijn N.C., Schurink K., Hoepelman I.M. A probabilistic and decision-theoretic approach to the management of infectious disease at the ICU //ArtifIntell Med. 2000. № 19(3). P. 251–279
Mohr J., Batalden P, Darach P. Integrating patient safety into the clinical microsystem // Qual Saf Health Care. 2004. № 13(Suppl 2). P. ii34–ii38
Mozetič I. Diagnostic efficiency of deep and surface knowledge in KARDIO // Artificial Intelligence in Medicine. Vol.2. № 2. P. 67–83
Nikovsky D. Constructing Bayesian networks for medical diagnosis from incomplete and partially correct statistics // IEEE Transactions on Knowledge and Data Engineering. 2000. Vol. 12. № 4. P. 509–516
Olsen S, Undre S, Vincent C. Safety in surgery: First steps towards a systems approach // Clinical Risk. 2005. №11. P. 190–194
Onisko A., Druzdzel M.J., Wasyluk H. A Probabilistic Causal Model for Diagnosis of Liver Disorders // In Proceedings of the Seventh International Symposium on Intelligent Information Systems (IIS—98). 1998
Patel V.L., Shortliffe E.H., Stefanelli M., Szolovits P., Berthold M.R., Bellazzi R., Abu-Hanna A. The Coming of Age of Artificial Intelligence in Medicine // Artif Intell Med. 2009. № 46(1). P. 5–17. (BN_3)
Pearl J. Probabilistic Reasoning in Intelligent Systems. NYC: Morgan Kaufmann, 1988. 552 pp.
Plsek P.E., Greenhalgh T. The challenge of complexity in health care // BMJ. 2001. № 323(7313). P. 625–628
Provan G.M., Singh M. Data Mining and Model Simplicity: A Case Study in Diagnosis // KDD-96 Proceedings. 1996. P. 57-62
Purdy G. ISO 31000:2009--Setting a new standard for risk management // Risk Anal. 2010. № 30(6). P. 881-886. doi: 10.1111/j.1539-6924.2010.01442.x
Reason J.T. Understanding adverse events: human factors // In: Vincent CA, editor. Clinical risk management. London: BMJ Publications. 1995. P. 31–54
Rosenberg W., Donald A. Evidence based medicine: an approach to clinical problem-solving // British Medical Journal. 1995. Vol. 310. № 6987 P. 1122-1126
Rothman K.J. Epidemiology: An Introduction. 2002. 223 p.
Sackett D.L. Evidence-based medicine // Seminars in Perinatology. 1997. Vol. 21. № 1. P. 3–5
Shachter R.D. Evaluating influence diagrams // Oper Res. 1986. № 34(6). P. 871–882
Sitting F., Singh H. A New Socio-technical Model for Studying Health Information Technology in Complex Adaptive Healthcare Systems // Qual Saf Health Care. 2010. Suppl 3. P. i68–i74
Spiegelhalter D.J., Knill-Jones R.P. Statistical and knowledge-based approaches to clinical decision-support systems // Journal of the Royal Statistical Society. Series A. 1984. No. 147. P. 35-77
Stanhope N., Vincent C.A., Adams S., O’Connor A.M., Beard R.W. Applying human factors methods to clinical risk management in obstetrics // Br J Obstet Gynaecol. 1997. № 104. P. 1225–1232
Twardy C.R., Nicholson A.E., Korb K.B., McNeil J. Epidemiological data mining of cardiovascular Bayesian networks // electronic Journal of Health Informatics. 2006. № 1(1). E3
Verduijn M., Peek N., Rosseel P.M., de Jonge E., de Mol B.A. Prognostic Bayesian networks I: rationale, learning procedure, and clinical use // Journal of Biomedical Informatics. 2007. № 40(6). P. 609-618
Vincent C.A. Risk, safety and the dark side of quality // BMJ. 1997. № 314. P. 1775–1776
Vincent C., Taylor-Adams S., Stanhope V. Framework for analyzing risk and safety in clinical medicine // BMJ. 1998. № 316(7138). P. 1154–1157
Wasyluk H., Onisko A., Druzdzel M.J. Support of diagnosis of liver disorders based on a causal Bayesian network model // Medical Science Monitor. 2001. № 7(Suppl. 1). P. 327-332
Wiegerincka W.A.J.J., Kappena H.J., ter Braakb E.W.M.T., ter Burgc W.J.P.P., Nijmana Approximate inference for medical diagnosis // Pattern Recognition Letters. 1999. Vol. 20. №11–13. P. 1231–1239
World Health Organization. WHO Draft Guidelines for Adverse Event Reporting and Learning Systems. 2005
Xuewei Wang, Haibin Qu, Ping Liu, Yiyu Cheng A self-learning expert system for diagnosisin traditional Chinese medicine // Expert Systems with Applications. 2004.№26. P. 557–566
Zhang N.L., Nielsen T.D., Jensen F.V. Latent variable discovery in classification models // Artificial Intelligence in Medicine. 2004. Vol. 30. №3. P. 283-299
Страхование (под ред. Г.В. Черновой). М.:ООО «Издательство Проспект». 2007. 426 с.
Тулупьев А.Л. Алгебраические байесовские сети: локальный логико-вероятностный вывод: Учеб. пособие. СПб.: СПбГУ; ООО Издательство «Анатолия», 2007. 80 с. (Сер. Элементы мягких вычислений)
Тулупьев А. Л., Николенко С. И., Сироткин А. В. Байесовские сети: логико-вероятностный подход. СПб.: Наука, 2006. 607 с.
Тулупьев А.Л., Сироткин А.В., Николенко С.И. Байесовские сети доверия: логико-вероятностный вывод в ациклических направленных графах. СПб.: Изд-во С.-Петерб. ун-та. 2009. 400 с.
Фильченков А.А. Меры истинности и вероятностные графические модели для представления знаний с неопределенностью // Труды СПИИРАН. 2012. №4. 254-295
Фильченков А.А. Алгебраическая байесовская сеть как основа для медицинской диагностической модели // «Математическое и компьютерное моделирование в биологии и химии. Перспективы развития». Сборник трудов I Международной интернет-конференции. Казань.: Из-во «Казанский университет». 2012.С. 162–166
Фишберн П. Теория полезности для принятия решений. М.: Наука. 1978. 352 с.
Abu-Hanna A., Lucas P. J F. Prognostic Models in Medicine: AI and Statistical Approaches // Methods of Information in Medicine. 2001. № 40. P. 1–5
Abu-Hanna A., Lucas P. J F. Prognostic Methods in Medicine // Proceedings of Computational Engineering in Systems Applications 1998 (IMACS-IEEE, UCIS, Lille). 1998
Acida S., de Campos L.M., Fernández-Lunab J.M., Rodrı́guezc S., Rodrı́guezc J.M., Salcedoc J.L. A comparison of learning algorithms for Bayesian networks: a case study based on data from an emergency medical service // Artificial Intelligence in Medicine. 2004. Vol. 30. №3. 215-232
Albolino S., Tartaglia R., Bellandi T., Amicosante E., Bianchini E., Biggeri A. Patient safety and incident reporting: Survey of Italian healthcare workers // Quality and Safety in Health Care. 2010. 19. P. i8–i12
Amalberti R, Auroy Y, Berwick D, Barach P. Improving patient care: Five system barriers to achieving ultrasafe health care // Annals of Internal Medicine. 2005. 142. P. 756–764
Andreassen S. Planning of therapy and tests in causal probabilistic networks //ArtifIntell Med. 1992. №4. P. 227–241
Andreassen S., Riekehr C., Kristensen B., Schønheyder H.C., Leibovici L. Using probabilistic and decisiontheoretic methods in treatment and prognosis modeling //ArtifIntell Med. 1999. № 15. P. 121–134
Andrews LB, Stocking C, Krizek T, Gottlieb L, Krizek C, Vargish T, et al An alternative strategy for studying adverse events in medical care // Lancet. 1997. 349. P. 309–313
Antal P., Verrelst H., Timmerman D., Moreau Y., Van Huffel S., De Moor B., Vergote I. Bayesian Net-works in Ovarian Cancer Diagnosis: Potentials and Limitations // IEEE Symposium on Computer-Based Medical Systems, CBMS 2000, proceedings 13th. 2000. P. 103–108
Aronsky D., Haug P.J. Diagnosing Community-Acquired Pneumonia with a Bayesian Network. Proc AMIA Symp. 1998. P.632-636
Bagnara S., Parlangeli O., Tartaglia R. Are hospitals becoming high reliability organizations? // Applied Ergonomics. 2010. 41(5). 713–718
Bellazzi R., Zupanb B. Predictive data mining in clinical medicine: Current issuesand guidelines // International Journal of Medical Informatics. 2008. Vol. 77. № 2. P. 81–97
Bogardus S.T., Holmboe E., Jekel J.F. Perils, Pitfalls, and Possibilities in Talking About Medical Risk // JAMA. 1999. 281(11). P. 1037-1041. doi:10.1001/jama.281.11.1037
Boxwala A.A., Dierks M., Keenan M., Jackson S., Hanscom R., Bates D.W., Sato L. Organization and Representation of Patient Safety Data: Current Status and Issues around Generalizability and Scalability // J Am Med Inform Assoc. 2004. 11(6). P. 468–478
Brennan T.A., Leape L.L., Laird N.M., Hebart L., Loralio A.R., Lawthers A.G., et al Incidence of adverse events and negligence in hospitalized patients. // N Engl J Med. 1991. № 324. P. 370–376
Burnside E. S., Rubin D. L., Fine J. P., Shachter R. D., Sisney G. A., Leung W. K. Bayesian Network to Predict Breast Cancer Risk of Mammographic Microcalcifications and Reduce Number of Benign Biopsy Results: Initial Experience // Radiology. 2006. Vol. 240. № 3.P. 666-673
Carayon P. Human factors of complex sociotechnical systems // Appl Ergon. 2006. 37(4). P. 525-35
Carayon P., Wood K.E. Patient Safety: The Role of Human Factors and Systems Engineering // Stud Health Technol Inform. 2010. № 153. P. 23–46
Carayon P., Bass E., Bellandi T., Gurses A., Hallbeck S., Mollo V. Socio-Technical Systems Analysis in Health Care: A Research Agenda // IIE Trans Healthc Syst Eng. 2011. №1(1). P. 145–160
Chattopadhyay S., Davis R.M., Menezes D.D., Singh G., Acharya R.U., Tamura T. Application of Bayesian Classifier for the Diagnosis of Dental Pain // J Med Syst. 2012. №36. P. 1425–1439
Coiera. E.W. Artificial Intelligence in Medicine: The Challenges Ahead // J Am Med Inform Assoc. 1996. №3. P. 363-366. doi:10.1136/jamia.1996.97084510
Díez F.J., Miraa J., Iturraldeb E., Zubillagac S. DIAVAL, a Bayesian expert system for echocardiography // Artificial Intelligence in Medicine. 1997. Vol.10. № 1. P. 59–73
Effken J.A. Different lenses, improved outcomes: a new approach to the analysis and design of healthcare information systems // Int J Med Inform. 2002. № 65(1). P. 59-74
Fawcett T. An introduction to ROC analysis // Pattern Recognition Letters. 2006. № 27. P. 861–874
Fenton N., Neil M. Comparing risks of alternative medical diagnosis using Bayesian arguments // Journal of Biomedical Informatics. 2010. № 43. P. 485–495
Friedman N., Geiger D., Goldszmidt M. Bayesian networks classifiers // Mach. Learn. 1997. № 29. P. 131–163
Galan SF, Aguado F, Dıez FJ, Mira J. NasoNet: joining Bayesian networks and time to model nasopharyngeal cancer spread // Proceedings of the Eighth International Conference on Artificial Intelligence in Medicine in Europe (AIME 2001), Lecture Notes in Artificial Intelligence (LNAI) 2101. 2001. Berlin: Springer-Verlag. P. 207–216
Getoor L., Rhee J.T., Koller D., Small P. Understanding tuberculosis epidemiology using structured statistical models // Artificial Intelligence in Medicine. 2004. 30. P. 233–256
Guyatt G., Cairns J., Churchill D., Cook D., Haynes B., Hirsh J., Irvine J., Levine M., Levine M., Nishikawa J., Sackett D., Brill-Edwards P., Gerstein H., Gibson J., Jaeschke R., Kerigan A., Neville A., Panju F.et al Evidence-Based Medicine: A New Approach to Teaching the Practice of Medicine // JAMA. 1992. № 268(17). P. 2420-2425. doi:10.1001/jama.1992.03490170092032
Heckerman D. Probabilistic similarity networks // Networks. 1990. № 20. P. 607–636
Karthikeyan G., Pais P. Clinical judgment & evidence-based medicine: time for reconciliation // Indian J Med Res. 2010. № 132(5). P. 623–626. doi: 10.4103/0971-5916.73418
Kononenko I. Inductive and Bayesian Learning in Medical Diagnosis // Applied Artificial Intelligence: An International Journal. 1993. Vol. 7. № 4.P. 317-337
Kononenko I. Machine learning for medical diagnosis: history, state of the art and perspective // Artificial Intelligence in Medicine. 2001. Vol. 23. № 1. P. 89–109
Lacave C., Diez F.J. Knowledge Acquisition in PROSTANET – A Bayesian network for diagnosis prostate cancer // Knowledge-Based Intelligent Information and Engineering Systems. Lecture Notes in Computer Science. 2003. Vol. 2774. P. 1345-1350
Leape L.L. Error in medicine // JAMA. 1994. № 272. P. 1851–1857
Leape L.L., Berwick D.M. Five years after To Err Is Human: What have we learned? // Journal of the American Medical Association. 2005. № 293(19). P. 2384–2390
Lucas P., van der Gaag L., Abu-Hanna A. Bayesian networks in biomedicine and healthcare // Artificial Intelligence in Medicine. 2004. №30. P. 201–214
Lucas P.J.F., Boot H., Taal B. A decision-theoretic network approach to treatment management and prognosis // Knowledge-Based Systems. 1998. Vol. 11. № 5–6. P. 321-330
Lucas P.J.F, Boot H, Taal B.G. Computer-based decision-support in the management of primary gastric non-Hodgkin lymphoma // Meth Inform Med. 1998. №37. P. 206–219
Lucas P.J.F., De Bruijn N.C., Schurink K., Hoepelman I.M. A probabilistic and decision-theoretic approach to the management of infectious disease at the ICU //ArtifIntell Med. 2000. № 19(3). P. 251–279
Mohr J., Batalden P, Darach P. Integrating patient safety into the clinical microsystem // Qual Saf Health Care. 2004. № 13(Suppl 2). P. ii34–ii38
Mozetič I. Diagnostic efficiency of deep and surface knowledge in KARDIO // Artificial Intelligence in Medicine. Vol.2. № 2. P. 67–83
Nikovsky D. Constructing Bayesian networks for medical diagnosis from incomplete and partially correct statistics // IEEE Transactions on Knowledge and Data Engineering. 2000. Vol. 12. № 4. P. 509–516
Olsen S, Undre S, Vincent C. Safety in surgery: First steps towards a systems approach // Clinical Risk. 2005. №11. P. 190–194
Onisko A., Druzdzel M.J., Wasyluk H. A Probabilistic Causal Model for Diagnosis of Liver Disorders // In Proceedings of the Seventh International Symposium on Intelligent Information Systems (IIS—98). 1998
Patel V.L., Shortliffe E.H., Stefanelli M., Szolovits P., Berthold M.R., Bellazzi R., Abu-Hanna A. The Coming of Age of Artificial Intelligence in Medicine // Artif Intell Med. 2009. № 46(1). P. 5–17. (BN_3)
Pearl J. Probabilistic Reasoning in Intelligent Systems. NYC: Morgan Kaufmann, 1988. 552 pp.
Plsek P.E., Greenhalgh T. The challenge of complexity in health care // BMJ. 2001. № 323(7313). P. 625–628
Provan G.M., Singh M. Data Mining and Model Simplicity: A Case Study in Diagnosis // KDD-96 Proceedings. 1996. P. 57-62
Purdy G. ISO 31000:2009--Setting a new standard for risk management // Risk Anal. 2010. № 30(6). P. 881-886. doi: 10.1111/j.1539-6924.2010.01442.x
Reason J.T. Understanding adverse events: human factors // In: Vincent CA, editor. Clinical risk management. London: BMJ Publications. 1995. P. 31–54
Rosenberg W., Donald A. Evidence based medicine: an approach to clinical problem-solving // British Medical Journal. 1995. Vol. 310. № 6987 P. 1122-1126
Rothman K.J. Epidemiology: An Introduction. 2002. 223 p.
Sackett D.L. Evidence-based medicine // Seminars in Perinatology. 1997. Vol. 21. № 1. P. 3–5
Shachter R.D. Evaluating influence diagrams // Oper Res. 1986. № 34(6). P. 871–882
Sitting F., Singh H. A New Socio-technical Model for Studying Health Information Technology in Complex Adaptive Healthcare Systems // Qual Saf Health Care. 2010. Suppl 3. P. i68–i74
Spiegelhalter D.J., Knill-Jones R.P. Statistical and knowledge-based approaches to clinical decision-support systems // Journal of the Royal Statistical Society. Series A. 1984. No. 147. P. 35-77
Stanhope N., Vincent C.A., Adams S., O’Connor A.M., Beard R.W. Applying human factors methods to clinical risk management in obstetrics // Br J Obstet Gynaecol. 1997. № 104. P. 1225–1232
Twardy C.R., Nicholson A.E., Korb K.B., McNeil J. Epidemiological data mining of cardiovascular Bayesian networks // electronic Journal of Health Informatics. 2006. № 1(1). E3
Verduijn M., Peek N., Rosseel P.M., de Jonge E., de Mol B.A. Prognostic Bayesian networks I: rationale, learning procedure, and clinical use // Journal of Biomedical Informatics. 2007. № 40(6). P. 609-618
Vincent C.A. Risk, safety and the dark side of quality // BMJ. 1997. № 314. P. 1775–1776
Vincent C., Taylor-Adams S., Stanhope V. Framework for analyzing risk and safety in clinical medicine // BMJ. 1998. № 316(7138). P. 1154–1157
Wasyluk H., Onisko A., Druzdzel M.J. Support of diagnosis of liver disorders based on a causal Bayesian network model // Medical Science Monitor. 2001. № 7(Suppl. 1). P. 327-332
Wiegerincka W.A.J.J., Kappena H.J., ter Braakb E.W.M.T., ter Burgc W.J.P.P., Nijmana Approximate inference for medical diagnosis // Pattern Recognition Letters. 1999. Vol. 20. №11–13. P. 1231–1239
World Health Organization. WHO Draft Guidelines for Adverse Event Reporting and Learning Systems. 2005
Xuewei Wang, Haibin Qu, Ping Liu, Yiyu Cheng A self-learning expert system for diagnosisin traditional Chinese medicine // Expert Systems with Applications. 2004.№26. P. 557–566
Zhang N.L., Nielsen T.D., Jensen F.V. Latent variable discovery in classification models // Artificial Intelligence in Medicine. 2004. Vol. 30. №3. P. 283-299
Опубликован
2013-02-01
Как цитировать
Мусина, В. Ф. (2013). Байесовские сети доверия как вероятностная графическая модель для оценки медицинских рисков. Труды СПИИРАН, 1(24), 135-151. https://doi.org/10.15622/sp.24.9
Раздел
Статьи
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
