Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/36849| Назва: | Розробка багатокритеріальної системи підтримки прийняття рішень для діагностування вірусних захворювань в умовах пандемії |
| Інші назви: | Development of a multilateral decision support system for the diagnosis of viral diseases in a pandemic |
| Автори: | Дацик, Віталій Васильович Datsyk, Vitalii Vasyliovych |
| Приналежність: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Бібліографічний опис: | Дацик В. В. Розробка багатокритеріальної системи підтримки прийняття рішень для діагностування вірусних захворювань в умовах пандемії : кваліфікаційна робота освітнього рівня „Магістр“ „122 – комп’ютерні науки“ / В. В. Дацик – Тернопіль : ТНТУ, 2021. – 74 с. |
| Дата публікації: | 20-гру-2021 |
| Дата подання: | 6-гру-2021 |
| Дата внесення: | 26-гру-2021 |
| Країна (код): | UA |
| Місце видання, проведення: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Науковий керівник: | Кунанець, Наталія Едуардівна |
| Члени комітету: | Оробчук, ОлександраРоманівна |
| УДК: | 004.9 |
| Теми: | COVID-19 алгоритм algorithm багатокритеріальна система multicriteria system інтелектуальна підтримка intellectual support симптоми symptoms хвороба disease діагностування diagnosis |
| Короткий огляд (реферат): | Кваліфікаційна робота присв’ячена розробці багатокритеріальної системи підтримки прийняття рішень для діагностування вірусних захворювань в умовах пандемії. В першому розділі кваліфікаційної роботи описано пандемію та системи підтримки прийняття рішень. Подано огляд та аналіз літературних джерел. Досліджено епідеміологічне моделювання даних. Розглянуто модель діагностування вірусних захворювань та модель для прогнозування заражених вірусом. В другому розділі кваліфікаційної роботи спроектовано структуру системи підтримки прийняття рішень для діагностування вірусних захворювань в умовах пандемії. Описано алгоритм комплексного підходу до багатокритеріального аналізу в умовах пандемії. Подано компоненти багатокритеріальних рішень щодо діагностування вірусних захворювань в умовах пандемії. В третьому розділі кваліфікаційної роботи проведено оцінювання результатів аналітичного опрацювання. Проаналізовано отримані результати. Qualification work is devoted to the development of a multi-criteria decision support system for diagnosing viral diseases in a pandemic. The first section of the qualification describes the pandemic and decision support systems. A review and analysis of literature sources is presented. Epidemiological modeling of data has been studied. A model for diagnosing viral diseases and a model for predicting virus infections are considered. In the second section of the qualification work the structure of the decision support system for diagnosing viral diseases in a pandemic is designed. An algorithm for an integrated approach to multicriteria analysis in a pandemic is described. Components of multicriteria solutions for diagnosing viral diseases in a pandemic are presented. In the third section of the qualification work the evaluation of the results of analytical elaboration was carried out. The obtained results are analyzed. |
| Зміст: | ВСТУП 9 1 ПАНДЕМІЯ, СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ТА ЕПІДЕМІОЛОГІЧНЕ МОДЕЛЮВАННЯ ДАНИХ 11 1.1 ПАНДЕМІЯ ТА СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ 11 1.2 ОГЛЯД ТА АНАЛІЗ ЛІТЕРАТУРНИХ ДЖЕРЕЛ 13 1.3 ЕПІДЕМІОЛОГІЧНЕ МОДЕЛЮВАННЯ ДАНИХ 15 1.4 ВИСНОВОК ДО ПЕРШОГО РОЗДІЛУ 22 2 МЕТОД, КОМПОНЕНТИ, АЛГОРИТМ ТА СТРУКТУРА СИСТЕМИ ПРИЙНЯТТЯ РІШЕНЬ ЩОДО ДІАГНОСТУВАНЬ ВІРУСНИХ ЗАХВОРЮВАНЬ 23 2.1 ДАНІ ДЛЯ ПРИЙНЯТТЯ РІШЕНЬ 23 2.2 ПЕРВИННА ПІДГОТОВКА ДОСЛІДЖУВАНИХ ДАНИХ 24 2.3 МЕТОДИ АНАЛІТИЧНОГО ОПРАЦЮВАННЯ ДАНИХ В УМОВАХ ПАНДЕМІЇ 26 2.4 ЕТАПИ КЕРУВАННЯ ТА ОБРОБКИ ДАНИХ В БАГАТОКРИТЕРІАЛЬНІЙ СИСТЕМІ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ДЛЯ ДІАГНОСТУВАННЯ ВІРУСНИХ ЗАХВОРЮВАНЬ 29 2.5 ПРИЙНЯТТЯ РІШЕНЬ В УМОВАХ ПАНДЕМІЇ 31 2.6 КОМПОНЕНТИ БАГАТОКРИТЕРІАЛЬНИХ РІШЕНЬ ЩОДО ДІАГНОСТУВАННЯ ВІРУСНИХ ЗАХВОРЮВАНЬ В УМОВАХ ПАНДЕМІЇ 32 2.7 АЛГОРИТМ КОМПЛЕКСНОГО ПІДХОДУ ДО БАГАТОКРИТЕРІАЛЬНОГО АНАЛІЗУ В УМОВАХ ПАНДЕМІЇ 33 2.8 СТРУКТУРА СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ДЛЯ ДІАГНОСТУВАННЯ ВІРУСНИХ ЗАХВОРЮВАНЬ В УМОВАХ ПАНДЕМІЇ 35 2.9 НАЛАШТУВАННЯ ТА ІНІЦІАЛІЗАЦІЯ ПРОЦЕСУ НАВЧАННЯ СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ 36 2.10 СИСТЕМА ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ – ІДЕНТИФІКАЦІЙНИЙ ОГЛЯД ЛІКАРЕМ ГРОМАДЯН ЩО ПЕРЕВІРЯЮТЬСЯ НА COVID-19 37 2.11 ВИСНОВОК ДО ДРУГОГО РОЗДІЛУ 40 3 АНАЛІЗ РЕЗУЛЬТАТІВ ДОСЛІДЖЕННЯ ТА МОДЕЛЮВАННЯ 41 3.1 ОЦІНЮВАННЯ РЕЗУЛЬТАТІВ АНАЛІТИЧНОГО ОПРАЦЮВАННЯ 41 3.2 РІВЕНЬ ЗАХВОРЮВАННЯ COVID-19 ТА ДЕМОГРАФІЧНІ ПОКАЗНИКИ СТАЦІОНАРНИХ ГРОМАДЯН ЩО ПЕРЕВІРЯЮТЬСЯ НА COVID-19 49 3.3 АНАЛІЗ ОТРИМАНИХ РЕЗУЛЬТАТІВ 51 3.4 ВИСНОВОК ДО ТРЕТЬОГО РОЗДІЛУ 55 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 57 4.1 БЕЗПЕКА ПРАЦІ МЕДИЧНОГО ПЕРСОНАЛУ ПІД ЧАС ПАНДЕМІЇ 57 4.2 ФАКТОРИ ЩО ВПЛИВАЮТЬ НА ФУНКЦІОНАЛЬНИЙ СТАН КОРИСТУВАЧА КОМП'Ю ТЕРА 61 ВИСНОВКИ 66 ПЕРЕЛІК ДЖЕРЕЛ 68 ДОДАТКИ |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/36849 |
| Власник авторського права: | © Дацик Віталій Васильович, 2021 |
| Перелік літератури: | 1 Aggarwal, Lakshita, Puneet Goswami, and Shelly Sachdeva. "Multi-criterion intelligent decision support system for COVID-19." Applied Soft Computing 101 (2021): 107056. 2 Hu Yun, Zhuoran Sun, Jun Wu, Aiguo Tang, Min Hu, Zhongyuan Xiang, Laboratory data analysis of novel coronavirus (COVID-19) screening in 2510 Patients, Clin. Chim. Acta 507 (2020) (2019) 94–97. 3 Lixiang Li, Zihang Yang, Zhongkai Dang, Cui Meng, Jingze Huang, Haotian Meng, Deyu Wang, Guanhua Chen, Jiaxuan Zhang, Haipeng Peng, Yiming Shao, Propagation analysis and prediction of the COVID-19, Infect. Dis. Modell. 5 (2020) 282e292. 4 F. Jiang, L. Deng, L. Zhang, Y. Cai, C.W. Cheung, Z. Xia, Review of the clinical characteristics of coronavirus disease 2019 (COVID- 19), J. Gen. Intern. Med. 35 (2020) 1545–1549, http://dx.doi.org/10.1007/s11606-02005762-w. 5 Mark A. Musen, Blackford Middleton, Robert A. Greenes, Clinical decision-support systems, Biomed. Inform. (2014) 643–674. 6 Palash Ghosh1, Rik Ghosh, Bibhas Chakraborty, COVID-19 in India: Statewise analysis and prediction, 2020, http://dx.doi.org/10.1101/2020.04.24. 20077792, medRxiv preprint. 7 Samrat K. Dey, Md. Mahbubur Rahman, Umme R. Siddiqi, Arpita Howlader, Analyzing the epidemiological outbreak of COVID-19: A visual exploratory data analysis approach, J. Med. Virol. Wiley (2020). 8 V. Surveillances, The epidemiological characteristics of an of 2019 novel coronavirus diseases (COVID-19) China, 2020, China CDC Wkly. 2 (8) (2020) 113–122. 9 Dugdale, Caitlin M., et al. "COVID-19 Diagnostic Clinical Decision Support: a Pre-Post Implementation Study of CORAL (COvid Risk cALculator)." Clin. infect. dis (2021). 10 M. Godin, These European Countries are Slowly Lifting Coronavirus Lockdowns. Here’s What that Looks Like, Time, 2020, [Online]. Available: https://time.com/5822470/countries-lifting-coronavirusrestrictions-. 11 R. Martin, What countries are still in lockdown and how many weeks has it been forthem? Metro, 2020, Available: https://metro.co.uk/2020/04/17/ countries-still-lockdown-many-weeks-1257. 12 R. Staff, Here’s What Lockdown Looks Like Around the World, World Economic Forum, 2020, Available: https://www.weforum.org/agenda/2020/ 04/coronavirus-lockdowns-global/. 13 Nengjun, et al., A decision support system with intelligent recommendation for multi – disciplinary medical treatment, ACM Trans. Multimedia Comput. Commun. Appl. 16 (1) (2020) http://dx.doi.org/10.1145/3352573, Article 33. Publication date. 14 Waleed, et al., Multi-criterion framework for emergency department in Irish hospital, in: C. Laroque, J. Himmelspach, R. Pasupathy, O. Rose, A.M. Uhrmacher (Eds.), Proceedings of the 2012 Winter Simulation Conference, IEEE, 2012, 978-1-4673-4780-8/12/$31.00 ⃝c . 15 G. Kou, Y. Peng, A bibliography analysis of multi-criterion decision making in computer science (1989–2009), Cut. Edge Res. Top. Mult. Criterion. Decis. Mak. Commun. Comput. Inf. Sci. 35 (2009) 68–71. 16 Qin L, Yang Y, Cao Q, et al. A predictive model and scoring system combining clinical and CT characteristics for the diagnosis of COVID-19. Eur Radiol 2020; 30:6797–807. 17 S. Salehi, A. Abedi, S. Balakrishnan, A. Gholamrezanezhad, Coronavirus disease 2019 (COVID-19): A systematic review of imaging findings in 919 patients, Amer. J. Roentgenol. (2020) 1–7, http://dx.doi.org/10.2214/AJR.20. 23034. 18 Lippi G, Henry BM, Hoehn J, Benoit S, Benoit J. Validation of the Corona-score for rapid identification of COVID-19 infections in patients seeking emergency department care in the United States. Clin Chem Lab Med 2020; 58:e311–3. 19 T. Wright, Blockchain app used to track COVID-19 cases in Latin America, 2020, [Online]. Available: https://cointelegraph.com/news/blockchain-appused-to-track-covid-19-cases-in-latin-america. 20 Lippi G, Henry BM, Hoehn J, Benoit S, Benoit J. Validation of the Corona-score for rapid identification of SARS-CoV-2 infections in patients seeking emergency department care in the United States. Clin Chem Lab Med 2020; 58:e311–3. 21 D. Wang, B. Hu, C. Hu, F. Zhu, X. Liu, J. Zhang, B. Wang, H. Xiang, Z. Cheng, Y. Xiong, Y. Zhao, Y. Li, X. Wang, Z. Peng, Clinical characteristics of 138 hospitalized patients with 2019 novel coronavirus_infected pneumonia in Wuhan, China, J. Amer. Med. Assoc. 323 (11) (2020) 1061. 22 V. Chauhan, S. Galwankar, B. Arquilla, M. Garg, S. Di Somma, A. El-Menyar, V. Krishnan, J. Gerber, R. Holland, S.P. Stawicki, Novel coronavirus (COVID19): Leveraging telemedicine to optimize care while minimizing exposures and viral transmission, J. Emerg. Trauma Shock 13 (1) (2020) 20. 23 Kurstjens S, van der Horst A, Herpers R, et al. Rapid identification of SARSCoV-2-infected patients at the emergency department using routine testing. Clin Chem Lab Med 2020; 58:1587–93. 24 Y. He, X. Wang, J.Z. Huang, Recent advances in multiple criterion decision making techniques, Clin. Chim. Acta 507 (2020) 94–97. 25 Kuldeep Singh, Aryan Agarwal, Impact of weather indicators on the COVID19 outbreak: A multi-state study in India. CC-BY-NC-ND 4.0 International license, 2020. 26 Sudhir B. Jagtap, et al., Census data mining and data analysis using WEKA, in: ICETSTM – 2013, International Conference in Emerging Trends in Science, Technology and Management-2013, Singapore. 27 Huang D, Wang T, Chen Z, Yang H, Yao R, Liang Z. A novel risk score to predict diagnosis with coronavirus disease 2019 (COVID-19) in suspected patients: a retrospective, multicenter, and observational study. J Med Virol 2020; 92:2709–17. 28 WHO, Coronavirus disease 2019 (COVID-19) situation report 79, 2020, [Online]. Available: https://www.who.int/docs/defaultsource/coronaviruse/ situationreports. 29 Albert A. Angehrn, et al., Case-base decision support. 30 Ridgway JP, Pisano J, Landon E, Beavis KG, Robicsek A. Clinical sensitivity of severe acute respiratory syndrome coronavirus 2 nucleic acid amplification tests for diagnosing coronavirus disease 2019. Open Forum Infect Dis 2020; 7:ofaa315. 31 Doll ME, Pryor R, Mackey D, et al. Utility of retesting for diagnosis of SARSCoV-2/COVID-19 in hospitalized patients: impact of the interval between tests. Infect Control Hosp Epidemiol 2020; 41:859–61. 32 Rickman HM, Rampling T, Shaw K, et al. Nosocomial transmission of COVID19: a retrospective study of 66 hospital-acquired cases in a London teaching hospital. Clin Infect Dis 2021; 72:690–3. 33 Rearigh LM, Hewlett AL, Fey PD, et al. Utility of repeat testing for COVID-19: laboratory stewardship when the stakes are high. Infect Control Hosp Epidemiol 2020; 1–3. 34 Bartles R, Dickson A, Babade O. A systematic approach to quantifying infection prevention staffing and coverage needs. Am J Infect Control 2018; 46:487–91. 35 Bryant KA, Harris AD, Gould CV, et al. Necessary infrastructure of infection prevention and healthcare epidemiology programs: a review. Infect Control Hosp Epidemiol 2016; 37:371–80. 36 Pogorzelska-Maziarz M, Gilmartin H, Reese S. Infection prevention staffing and resources in U.S. acute care hospitals: results from the APIC megasurvey. Am J Infect Control 2018; 46:852–7. 37 Walensky RP, Del Rio C, Armstrong WS. Charting the future of infectious disease: anticipating and addressing the supply and demand mismatch. Clin Infect Dis 2017; 64:1299–301. 38 N. Chen, M. Zhou, X. Dong, J. Qu, F. Gong, Y. Han, Y. Qiu, J. Wang, Y. Liu, Y. Wei, J. Xia, T. Yu, X. Zhang, L. Zhang, Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: A descriptive study, Lancet 395 (10223) (2020) 507–513. 39 Suman Madan, Puneet Goswami, K-DDD measure and map reduce based anonymity model for secured privacy-preserving big data publishing, Int. J. Uncertain. Fuzziness Knowl.-Based Syst. 27 (02) (2019) 177–199, http:// dx.doi.org/10.1142/S0218488519500089, published in a SCI(E) and Scopus indexed journal with ISSN (print): 0218–4885 | ISSN (online): 1793–6411. 40 Garg AX, Adhikari NK, McDonald H, et al. Effects of computerized clinical decision support systems on practitioner performance and patient outcomes: a systematic review. JAMA 2005; 293:1223–38. 41 Layla Safwat Jamil, Data analysis based on data mining algorithms using Weka workbench, Thomson Reuters EndNote 5 (8) (2016). 42 Aaditya Desai, Sunil Rai, Analysis of machine learning algorithms using weka in IEEE, 2013. 43 WHO, Coronavirus disease 2019 (COVID-19) situation report 87, 2020, [Online]. Available: https://www.who.int/docs/defaultsource/coronaviruse/ situationreports. 44 F. Shi, et al., Review of artificial intelligence techniques in imaging data acquisition, segmentation and diagnosis for COVID-19, IEEE Rev. Biomed. Eng. (2020) http://dx.doi.org/10.1109/RBME.2020.2987975. 45 Nguyen CT, Olson G, Pho MT, et al. Automatic ID consultation for inpatients with COVID-19: point, counterpoint, and a single-center experience. Open Forum Infect Dis 2020; 7:ofaa318. 46 Dugdale CM, Turbett SE, McCluskey SM, et al. Outcomes from an infectious disease physician-guided evaluation of hospitalized persons under investigation for coronavirus disease 2019 (COVID-19) at a large US academic medical center. Infect Control Hosp Epidemiol 2020; 1–4. 47 Massachusetts Department of Health. COVID-19 information for local boards of health. 2020. Available at: https://www.mass.gov/covid-19-information-for-localboards-of-health. Accessed 31 October 2020. 48 Hanson KE, Caliendo AM, Arias CA, et al. Infectious Diseases Society of America guidelines on the diagnosis of COVID-19. Infectious Diseases Society of America, 2020. Available at: https://www.idsociety.org/practice-guideline/covid19-guideline-diagnostics/. Accessed 5 July 2020. 49 Theel ES, Slev P, Wheeler S, Couturier MR, Wong SJ, Kadkhoda K. The role of antibody testing for SARS-CoV-2: is there one? J Clin Microbiol 2020; 58:e00797-20. 50 Borghetti A, Ciccullo A, Paratore M, et al. Derivation and validation of a scoring system to assess pre-test probability of being COVID-19 positive. J Infect 2021; 82:159–98. 51 Epic UserWeb. 2020. Available at: https://userweb.epic.com. Accessed 31 October 2020. 52 Patterson B, Marks M, Martinez-Garcia G, et al. A novel cohorting and isolation strategy for suspected COVID-19 cases during a pandemic. J Hosp Infect 2020; 105:632–7. 53 Jewkes SV, Zhang Y, Nicholl DJ. Nosocomial spread of COVID-19: lessons learned from an audit on a stroke/neurology ward in a UK district general hospital. Clin Med (Lond) 2020; 20:e173–7. 54 International Labour Organization (2010) ILO List of Occupational Diseases. Geneva: International Labour Organization https://www.ilo.org/wcmsp5/groups/public/—ed_protect/—protrav/—safework/documents/publication/wcms_125137.pdf 55 COVID-19: безпека праці та здоров՚я медичних працівників https://www.ilo.org/wcmsp5/groups/public/---ed_protect/---protrav/---safework/documents/instructionalmaterial/wcms_775035.pdf. 56 Безпечні умови праці медичних працівників - головний чинник профілактики захворювань на COVID-19 https://khoda.gov.ua/bezpechn%D1%96-umovi-prac%D1%96-medichnih-prac%D1%96vnik%D1%96v---golovnij-chinnik%C2%A0prof%D1%96laktiki-zahvorjuvan-na-covid-19. 57 Вплив комп’ютера на здоров’я користувача http://mirgorod-gorono.at.ua/publ/metodob_39_ednannja_vchiteliv/inform/vpliv_komp_jutera_na_zdorov_ja_koristuvacha/26-1-0-238. 58 Фактори впливу на функціональний стан користувачів комп'ютерів https://infopedia.su/15xefda.html |
| Тип вмісту: | Master Thesis |
| Розташовується у зібраннях: | 122 — комп’ютерні науки |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| 2021 СНм-61 Datsyk_V_V.pdf | 2,55 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора