Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/31561

Назва: About the approach of solving machine learning problems integrated with data from open source systems of electronic medical records
Інші назви: Підхід до розв’язування задач машинного навчання інтегрованих з даними систем з відкритим кодом електронних медичних записів
Автори: Марценюк, Василь Петрович
Мілян, Назар Васильович
Martseniuk, Vasyl
Milian, Nazar
Приналежність: Університет Бельсько-Бяла, Бельсько-Бяла, Польща
Тернопільський національний технічний університет імені Івана Пулюя, Тернопіль, Україна
Belsko-Biala University, Belsko-Biala, Poland
Ternopil Ivan Puluj National Technical University, Ternopil, Ukraine
Бібліографічний опис: Martseniuk V. About the approach of solving machine learning problems integrated with data from open source systems of electronic medical records / Vasyl Martseniuk, Nazar Milian // Scientific Journal of TNTU. — Tern. : TNTU, 2019. — Vol 95. — No 3. — P. 105–115. — (Instrument-making and information-measuring systems).
Bibliographic description: Martseniuk V., Milian N. (2019) About the approach of solving machine learning problems integrated with data from open source systems of electronic medical records. Scientific Journal of TNTU (Tern.), vol. 95, no 3, pp. 105-115.
Є частиною видання: Вісник Тернопільського національного технічного університету, 3 (95), 2019
Scientific Journal of the Ternopil National Technical University, 3 (95), 2019
Журнал/збірник: Вісник Тернопільського національного технічного університету
Випуск/№ : 3
Том: 95
Дата публікації: 31-жов-2019
Дата внесення: 13-тра-2020
Видавництво: ТНТУ
TNTU
Місце видання, проведення: Тернопіль
Ternopil
УДК: 004.021
Теми: машинне навчання
PCA
класифікація
EMR система
mlr
machine learning
PCA
classification
EMR system
mlr
Кількість сторінок: 11
Діапазон сторінок: 105-115
Початкова сторінка: 105
Кінцева сторінка: 115
Короткий огляд (реферат): В останні десятиліття активно розробляються рішення з охорони здоров'я на основі програмного забезпечення з відкритим кодом, а також комерційні засоби. Найпоширенішими системами електронного медичного обліку з відкритим кодом є WorldVistA, OpenEMR та OpenMRS. Вчені звертали увагу на перспективи програмного забезпечення електронних медичних записів з відкритим кодом та безкоштовних систем для країн з певними фінансовими труднощами й таких, що розвиваються. Постановка задачі машинного навчання в медичних дослідженнях здійснена. На блок-схемі, представленій у роботі, продемонстровано основні кроки для розроблення моделі машинного навчання. Звернено увагу, що задача імпорту тренінгових, тестувальних і прогнозувальних наборів даних із систем EMR у середовищі машинного навчання є не такою тривіальною через ряд причин, які розглянуто в дослідженні. Наведено кілька основних підходів для доступу до даних медичних записів пацієнтів у типових системах EMR. Представлено деякі особливості застосування підходів для двох найпоширеніших систем із відкритим кодом EMR: OpenEMR, OpenMRS. Попри тривалий період розроблення й застосувань, навіть провідні й широко розповсюджені EMR системи (як комерційні, так і безкоштовні з відкритим кодом) мають обмежену або часткову підтримку можливостей HL7. Не зважаючи на проблеми, які розглядають рівні реалізації, існує достатньо аргументів для адаптації використання форматів даних сумісних з HL7 і розроблення інформаційних систем, які орієнтовані на машинне навчання. Експериментальні дослідження, пов’язані з прогнозуванням переломів для жінок середнього віку, підтверджують, що це є на сьогодні актуальною, профілактичною проблемою. Розроблення моделі машинного навчання реалізована в середовищі вільного програмного забезпечення R за допомогою пакета mlr. У результаті отримуємо моделі машинного навчання на основі п’яти методів. Результати ефективності методів, за допомогою міри mmce, показують, що найточнішою моделю відповідно до оцінювання якості прогнозування є метод випадкового лісу (random forest), найгіршим є метод ferms.
In recent decades, open source health solutions and commercial tools have been actively developed. The most common open source electronic health accounting systems are WorldVistA, OpenEMR and OpenMRS. Scientists drew attention to the prospects of open-source electronic health records software and free systems for countries with certain financial difficulties and such developing countries. Setting the task of machine learning in medical research has been carried out. The flowchart presented in the paper demonstrates the main steps for developing a machine learning model. It is noted that the task of importing training, testing and forecasting data sets from EMR systems in the machine learning environment is not so trivial for a number of reasons discussed in the study. Here are some basic approaches for accessing patient medical record data in conventional EMR systems. Some features of approaches for the two most common EMR open source systems are presented: OpenEMR, OpenMRS. Despite a long period of development and applications, even leading and widespread EMR systems (both commercial and free open source) have limited or partial support for HL7 capabilities. Despite the challenges that the implementation level is considering, there are enough arguments to adapt the use of data formats compatible with HL7 and to develop information systems that are machine learning oriented. Experimental studies are related to the prediction of fractures for middle-aged women, confirm that this is a pressing, preventive problem today. The development of the machine learning model is implemented in the free software environment R, using the mlr package. As a result, we get machine learning models based on five methods. The results of the effectiveness of the methods, using the mmce measure, show that the exact model of compliance with the assessment of prediction quality is the random forest method, worst of all is the ferms method.
URI (Уніфікований ідентифікатор ресурсу): http://elartu.tntu.edu.ua/handle/lib/31561
ISSN: 2522-4433
Власник авторського права: © Тернопільський національний технічний університет імені Івана Пулюя, 2019
URL-посилання пов’язаного матеріалу: https://en.wikipedia.org/wiki/List_of_open-_source_health_softwareElectronic_health_or_medical_record
https://www.sciencedirect.com/science/article/pii/S2212017314003843
https://doi.org/10.1093/jamia/ocu038
https://doi.org/10.1007/978-3-030-
https://doi.org/10.1007/978-3-319-99954-85
https://doi.org/10.1007/978-3-319-99954-8_5
https://doi.org/10.2196/jmir.1521
https://doi.org/10.1007/978-3-030-03314-9
Перелік літератури: 1. List of open-source health software. Electronic health or medical record. URL: https://en.wikipedia.org/wiki/List_of_open-_source_health_softwareElectronic_health_or_medical_record (accessed: 2017.11.12).
2. Almeida J., Frade S., Cruz-Correia R. Exporting Data from an openEHR Repository to Standard Formats. Conference on ENTERprise Information Systems / ProjMAN 2014 – International Conference on Project MANagement / HCIST 2014 International Conference on Health and Social Care Information Systems and Technologies. 2014. URL: https://www.sciencedirect.com/science/article/pii/S2212017314003843.
3. Aminpour F., Ahamdi M. Utilization of open source electronic health record around the world: A systematic review. Journal of research in medical sciences: the official journal of Isfahan University of Medical Sciences. 2014. № 19 (1). Р. 57.
4. Fritz F., Tilahun B., Dugas M. Success criteria for electronic medical record im- plementations in low- resource settings: a systematic review. Journal of the American Medical Informatics Association. 2015. № 22 (2). Р. 479–488. https://doi.org/10.1093/jamia/ocu038
5. Martsenyuk V., Semenets A. On code refactoring for decision making component combined with the open- source medical information system. Advances in Soft and Hard Computing AISC 889. 2019. URL: https://doi.org/10.1007/978-3-030- 03314-9.
6. Martsenyuk V., Vakulenko D., Vakulenko L., Kos-Witkowska A. Information system of arterial oscillography for primary diagnostics of cardiovascu- lar diseases. Computer Information Systems and Industrial Management. CISIM 2018. Lecture Notes in Computer Science. 2018. Р. 46–56. URL: https://doi.org/10.1007/978-3-319-99954-85. https://doi.org/10.1007/978-3-319-99954-8_5
7. Reynolds C., Wyatt J. Open source, open standards, and health care information systems. Journal of medical Internet research. 2011. № 13 (1). https://doi.org/10.2196/jmir.1521
8. Semenets A. On organizational and methodological approaches of the emr-systems implementation in public health of Ukraine. Medical Informatics and Engineering. 2013. № 3.
9. Semenets A. About experience of the patient data migration during the open source emr-system implementation. Medical Informatics and Engineering. 2015. № 1.
References: 1. List of open-source health software. Electronic health or medical record. URL: https://en.wikipedia.org/wiki/List_of_open-_source_health_softwareElectronic_health_or_medical_record (accessed: 2017.11.12).
2. Almeida J., Frade S., Cruz-Correia R. Exporting Data from an openEHR Repository to Standard Formats. Conference on ENTERprise Information Systems / ProjMAN 2014 – International Conference on Project MANagement / HCIST 2014 International Conference on Health and Social Care Information Systems and Technologies. 2014. URL: https://www.sciencedirect.com/science/article/pii/S2212017314003843.
3. Aminpour F., Ahamdi M. Utilization of open source electronic health record around the world: A systematic review. Journal of research in medical sciences: the official journal of Isfahan University of Medical Sciences. 2014. № 19 (1). Р. 57.
4. Fritz F., Tilahun B., Dugas M. Success criteria for electronic medical record im- plementations in low- resource settings: a systematic review. Journal of the American Medical Informatics Association. 2015. № 22 (2). Р. 479–488. https://doi.org/10.1093/jamia/ocu038
5. Martsenyuk V., Semenets A. On code refactoring for decision making component combined with the open- source medical information system. Advances in Soft and Hard Computing AISC 889. 2019. URL: https://doi.org/10.1007/978-3-030-03314-9.
6. Martsenyuk V., Vakulenko D., Vakulenko L., Kos-Witkowska A. Information system of arterial oscillography for primary diagnostics of cardiovascu- lar diseases. Computer Information Systems and Industrial Management. CISIM 2018. Lecture Notes in Computer Science. 2018. Р. 46–56. URL: https://doi.org/10.1007/978-3-319-99954-85. https://doi.org/10.1007/978-3-319-99954-8_5
7. Reynolds C., Wyatt J. Open source, open standards, and health care information systems. Journal of medical Internet research. 2011. № 13 (1). https://doi.org/10.2196/jmir.1521
8. Semenets A. On organizational and methodological approaches of the emr-systems implementation in public health of Ukraine. Medical Informatics and Engineering. 2013. № 3.
9. Semenets A. About experience of the patient data migration during the open source emr-system implementation. Medical Informatics and Engineering. 2015. № 1.
Тип вмісту: Article
Розташовується у зібраннях:Вісник ТНТУ, 2019, № 3 (95)



Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.