USING BAYESIAN METHODS IN THE TASK OF MODELING THE PATIENTS' PHARMACORESISTANCE DEVELOPMENT

W niniejszej pracy zaproponowano metodologię wykorzystania statycznych sieci bayesowskich (BN) w modelowaniu rozwoju farmakooporności u pacjentów z rozpoznaniem padaczki. Rozważane są metody konstruowania struktury statycznej BN, jej parametrycznego treningu, walidacji, analizy wrażliwości i analizy scenariuszy "co-jeśli". Model został zaprojektowany we współpracy z ekspertami – lekarzami, a także ekspertami – farmakologami w zakresie doboru i kwantyfikacji zmiennych wejściowych i wyjściowych.

Słowa kluczowe:

epileptologia, farmakooporność, sieci bayesowskie, uczenie strukturalne, uczenie parametryczne, analiza wrażliwości, walidacja

Bibliografia

Bates D. W., Kuperman G. J., Wang S., Gandhi T., Kittler A.: Ten commandments for effective clinical decision support: Making the practice of evidence-based medicine a reality. Journal of the American Medical Informatics Association 10, 2003, 523–530.

Castillo E. F., Guti´errez J. M., Hadi A. S.: Sensitivity analysis in discrete Bayesian networks. IEEE Transactions on Systems, Man, and Cybernetics – Part A: Systems and Humans 27(4), 1997, 412–423.

Cheeseman P., Kelly M., Taylor W., Freema D., Stutz J.: Bayesian classification. Proceedings of AAAI, St. Paul 1988, 607–611.

Cooper G. F.: Current research directions in the development of expert systems based on belief networks. Applied Stochastic Models and Data Analysis 5, 1989, 39–52.

Darwiche A.: A differential approach to inference in Bayesian networks. Proceedings of Uncertainty in Artiﬁcial Intelligence 2000, 123–132.

Hiritis N.: Predictors of pharmacoresistant epilepsy. Epilepsy research 75(2-3), 2007, 192–196.

Kahane Ph., Berg A., Loscher W.: Current knowledge on basic mechanism of drug resistance. Drug resistant epilepsy, UK John Libbey Eurotext, 2008, 47–57.

Kawamoto K., Houlihan C. A., Balas E. A., Lobach D. F.: Improving clinical practice using clinical decision support systems: a systematic review of trials to identify features critical to success. British Medical Journa 330, 2005, 765–773.

Kipersztok O., Wang H.: Another look at sensitivity of Bayesian networks to imprecise probabilities. Proceedings of the Eighth International Workshop on Artiﬁcial Intelligence and Statistics 2001, 226–232.

Kjærulff U., van der Gaag L. C.: Making sensitivity analysis computationally efﬁcient. Proceedings of Uncertainty in Artiﬁcial Intelligence 2000, 317–325.

Kwan P., Arzimanoglou A., Berg A. T., Brodie M. J.: Definition of drug resistant epilepsy: Consensus proposal by the ad hoc Task Force of the ILAE Commission on Therapeutic Strategies. Epilepsia 51(6), 2010, 1069–1077.

Lucas P. J. F., Boot H., Taal B. G.: Decision-theoretic network approach to treatment management and prognosis. Knowledge-based Systems 11, 1998, 321–330.

Miller R.: Medical diagnostic decision support systems-past, present and future. Journal of the American Medical Informatics Association 1, 1994, 8–27.

Musen M. A., Shahar Y., Shortliffe E. H.: Biomedial Informatics: computer applications in health care and biomedicine. Springer, New York 2006, 698–736.

Osheroff J. A.: Improving medication use and outcomes with clinical decision support: a step-by-step guide. Healthcare Information and Management Systems Society, Chicago 2009.

Percell G. P.: What makes a good clinical decision support system. British Medical Journal 330, 2005, 740–741.

ZASTOSOWANIE METOD BAYESOWSKICH DO MODELOWANIA ROZWOJU FARMAKOOPORNOŚCI U PACJENTÓW. (2022). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 12(2), 77-82. https://doi.org/10.35784/iapgos.2968

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 12 Nr 2 (2022)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja