Использование средств информационных технологий и Data Mining для оценки экономического ущерба от сердечно-сосудистых заболеваний

Размещено на http://www.allbest.ru/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

«Вологодский государственный технический университет»

Факультет «Заочного и дистанционного обучения»

Кафедра информационных систем и технологий

КОНТРОЛЬНАЯ РАБОТА

Дисциплина: Информационные технологии в менеджменте

Наименование темы: «Использование средств информационных технологий и Data Mining для оценки экономического ущерба от сердечно-сосудистых заболеваний»

Руководитель Рапаков Георгий Германович

Выполнила студентка Пикачева Ирина Викторовна

Группа, курс ЗДУБб-11, 1 курс

Вологда

2013г.

Содержание

Введение

1. Применение средств информационных технологий для оценки экономического ущерба от сердечно-сосудистых заболеваний

2. Применение Data Mining для оценки экономического ущерба от сердечно-сосудистых заболеваний

Заключение

Список использованной литературы

Введение

Сердечно-сосудистые заболевания (ССЗ) являются основной причиной смерти во всем мире: ни по какой другой причине ежегодно не умирает столько людей, сколько от ССЗ.

Любые заболевания, в том числе и сердечно-сосудистые, - это социально-экономический ущерб, который наносит заболевание обществу. Величина прямого ущерба определяется затратами на оказание больничной и внебольничной помощи, расходами на социальное страхование и социальную защиту больных сердечно-сосудистыми заболеваниями. Косвенный ущерб определяется потерями валового внутреннего (регионального) продукта за счет заболеваемости с временной нетрудоспособностью, инвалидности и преждевременной смертности от туберкулеза. Как показало исследование, ОКС в России сопряжен со значительным социально-экономическим ущербом, большая часть которого - это непрямые потери в экономике в связи со смертью мужчин трудоспособного возраста. [11]

Поэтому оценка экономического ущерба от заболеваний, особенно социально значимых, а к таким относятся сердечно-сосудистые заболевания, имеет важное значение при анализе деятельности как всего здравоохранения, так и отраслей здравоохранения. В этом и заключается одна из экономических функций здравоохранения.

Развитие методов оценки непосредственно связано с развитием информационных технологий, в частности, с ростом объемов хранимых данных и усложнением методов и алгоритмов прогнозирования, реализованных в инструментах Data Mining.

Результаты оценки экономического ущерба можно использовать для планирования размеров инвестиций в программы профилактики и совершенствования медицинской помощи. [6]

1. Применение средств информационных технологий для оценки экономического ущерба от сердечно-сосудистых заболеваний

В настоящее время термин "информационная технология" чаще всего употребляется в связи с использованием компьютеров для обработки информации. Информационные технологии охватывают всю вычислительную технику и технику связи и, отчасти, - бытовую электронику, телевидение и радиовещание.

В научных исследованиях компьютер нередко выступает как необходимый инструмент экспериментальной работы.

Компьютерный эксперимент чаще всего связан:

- с проведением сложных математических расчетов;

- с построением и исследованием наглядных и динамических моделей.

Автоматизированные информационные системы развиваются в настоящее время быстрыми темпами, повышается объем их хранилищ, совершенствуются механизмы, расширяется перечень услуг, предоставляемых пользователю.

Компьютерное моделирование позволяет решать довольно сложные задачи на основе компьютерной модели исследуемого явления. [10]

Теоретически определение социально-экономических потерь от заболеваний базируется на расчете так называемой стоимости, приписываемой явлению. Последняя определяется путем сравнения текущей ситуации с гипотетической - когда явление отсутствует.

В целом “стоимость заболевания” отражает ценность ресурсов, израсходованных в связи с его возникновением и распространением. Понесенные издержки включают в себя как материальные (прямые и косвенные), так и нематериальные потери (страдания заболевшего, его родственников и окружающих). [7]

Наименее определенными среди всех издержек, включаемых в расчет стоимости заболевания, являются потери нематериального характера. Они оценивались только в небольшом числе исследований. Это связано не только с методологическими сложностями, но и с недостаточностью информации.

Что касается материальных затрат - наиболее разработана методология определения прямых затрат, а вот методология расчета косвенных затрат, связанных с производственными потерями, все еще вызывает споры среди экономистов

Прямые затраты включают в себя стоимость использованных ресурсов (затраты как на лечение, так и на другую деятельность, обусловленную заболеванием - например, социальные выплаты) и упущенную выгоду, которая может определяться как “ценность неосуществленной возможности использовать ресурсы, которые были использованы в результате наличия заболевания”.

Косвенные затраты - это производственные потери, обусловленные потерей и снижением трудоспособности заболевшего работника, а также преждевременной смертностью в результате болезни. Оценка косвенных издержек достаточно сложна из-за отсутствия общепринятых способов расчета стоимости товаров и услуг, которые не были произведены из-за проблем, связанных со здоровьем работников. [12]

При оценке экономических потерь, связанных с преждевременной смертностью, чаще всего используются следующие методы:

- стоимости человеческого капитала;

- фрикционных издержек;

- оценки готовности людей платить.

Оценки, выполненные с применением метода стоимости человеческого капитала, основаны на расчете экономических ценностей, которые человек мог бы создать, если бы дожил до возраста, равного средней продолжительности жизни в стране. Понятно, что в чистом виде этот метод предполагает нереальную ситуацию - если в стране будет полная занятость населения, а умерший не будет замещен новым работником.

Метод фрикционных издержек предполагает оценку потерь в течение времени, необходимого для замены выбывшего работника.

Оценить производительность труда достаточно сложно, особенно в тех случаях, когда результат работы не может учитываться в единицах продукции, выпущенной отдельным работником. При расчете производственных потерь в качестве показателя производительности труда используют размер заработной платы (т. е. основываются на допущении, что размер оплаты труда связан с его производительностью).

Метод оценки готовности людей платить чаще применяется для оценки нематериальных потерь. Он основан на мнении людей о том, какую сумму они были бы готовы заплатить за то, чтобы снизить вероятность страданий (своих и своих близких), связанных с заболеванием или смертью. [8]

Сущность примененной технологии подготовки и обработки информации состоит в следующем. В стационарных отделениях на каждого выбывшего больного заполняется статистическая карта, где указывают его паспортные данные, диагноз заболевания, проведенные реанимации и операции, полученные медицинские услуги и др. информация. Статистические карты выбывших больных старшие медсестры отделений передают в оперативный отдел, где их берут к учету и выявляют явные ошибки. Карты, в которых выявлены ошибки, сразу же возвращаются в отделении для корректировки. Принятые оперативным отделом карты передаются в кабинет статистики, где они вводятся в ЭВМ. В конце каждого рабочего дня статист, работающий с ЭВМ, запускает тестирующую программу, которая проверяет наличие 26 видов ошибок в базах данных.

В сформированном банке данных выбывших больных имеется вся информация для расчета стоимости лечения больных. [7]

Оптимальным в этом случае является применение специализированных систем, ориентированных на решение задач консолидации данных. Подобные комплексы позволяют собрать информацию из различных источников, унифицировать представление, очистить от избыточных и некорректных сведений. Для поддержания непротиворечивости данных и высокой скорости их получения целесообразно внедрение хранилища данных. Аналитическая платформа Deductor содержит всё необходимое для реализации подобных задач и построения законченных решений.

Консолидированные данные чаще всего используются для получения различной отчетности. Deductor поддерживает множество способов визуализации в виде разнообразных таблиц, графиков, диаграмм, карт.

Отчетность представляет собой набор многомерных таблиц, кросс-диаграмм и графиков.

Одним из наиболее эффективных методов изучения сложных объектов является метод математического моделирования, который широко применяется в медицине. С помощью программы Statistiсa-6.1 методом множественного регрессионного анализа составляются модели медико-биологических процессов, например, составить модель, в которой устанавливается связь между количеством заболеваний сердечнососудистой системы и величиной экономического ущерба. Эта модель дает возможность прогнозировать изменение экономического ущерба в зависимости от количества заболеваний сердечнососудистой системы.

Вопрос о создании единых международных стандартов обмена медицинскими данными в разных странах решается по-разному, и именно поэтому существует множество различных медицинских стандартов: ASTM, ASC X12, IEEE/MEDIX, NCPDP, HL7, DICOM и т. п. Как правило, стандарты носят названия групп/комитетов и прочих некоммерческих организаций, их разрабатывающих. [11]

Каждая группа по разработке стандартов имеет некоторую специализацию. Так, ASC X12N занимается внешними стандартами обмена электронными документами, ASTM E31.11 - стандартами обмена данными лабораторных тестов, IEEE P1157 - стандартами обмена медицинскими данными (MEDIX), ACR/NEMA DICOM - стандартами, связанными с обменом изображениями и т. д.

Наиболее серьезные и интенсивно развивающиеся стандарты находят программно-аппаратную поддержку у таких крупных производителей медицинской техники, как Philips, Siemens, Acuson и другие. В ряде стран вопросы стандартизации обмена медицинскими данными решаются достаточно глобально. Например, в США в 1996 году Американским национальным институтом стандартов (ANSI) был утвержден национальный стандарт обмена медицинскими данными в электронном виде HL7 (Health Level 7). [7] экономический потеря заболевание смертность

Стандарт HL7 предназначен для облегчения взаимодействия компьютерных приложений в учреждениях здравоохранения, обмена внешними данными. Его применение позволяет исключить или значительно снизить разработку и реализацию специфичных программных интерфейсов, требующихся при отсутствии стандарта. Кроме того, целью HL7 является поддержка электронного обмена информацией в здравоохранении при использовании широкого спектра коммуникационных сред, включая и значительно менее полные по сравнению с моделью OSI (Open System Interconnection - взаимодействие открытых систем). [4]

Назначение стандарта HL7 состоит в стандартизации обмена данными, а не прикладных систем, занимающихся этим обменом. Это означает, что методы применения данного стандарта в различных медицинских учреждениях могут существенно отличаться.

Программный продукт «МКТ-Медицинская статистика» позволяет выполнять расчет статистических показателей (заболеваемости, болезненности, смертности, структуры посещений, выполнения функции врачебной должности в разрезе медицинских специальностей) за любой заданный интервал времени. [6]

2. Применение Data Mining для оценки экономического ущерба от сердечно-сосудистых заболеваний

Data Mining - это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей (шаблонов информации).

Технологию Data Mining достаточно точно определяет Григорий Пиатецкий-Шапиро - один из основателей этого направления:

Data Mining - это процесс обнаружения в сырых данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.

Суть и цель технологии Data Mining можно охарактеризовать так: это технология, которая предназначена для поиска в больших объемах данных неочевидных, объективных и полезных на практике закономерностей.

Неочевидных - это значит, что найденные закономерности не обнаруживаются стандартными методами обработки информации или экспертным путем.

Объективных - это значит, что обнаруженные закономерности будут полностью соответствовать действительности, в отличие от экспертного мнения, которое всегда является субъективным.

Практически полезных - это значит, что выводы имеют конкретное значение, которому можно найти практическое применение.

Знания - совокупность сведений, которая образует целостное описание, соответствующее некоторому уровню осведомленности об описываемом вопросе, предмете, проблеме и т.д.

Использование знаний означает действительное применение найденных знаний для достижения конкретных преимуществ (например, в конкурентной борьбе за рынок). [2]

Приведем еще несколько определений понятия Data Mining.

Data Mining - это процесс выделения из данных неявной и неструктурированной информации и представления ее в виде, пригодном для использования.

Data Mining - это процесс выделения, исследования и моделирования больших объемов данных для обнаружения неизвестных до этого структур (patterns) с целью достижения преимуществ в бизнесе (определение SAS Institute).

Data Mining - это процесс, цель которого - обнаружить новые значимые корреляции, образцы и тенденции в результате просеивания большого объема хранимых данных с использованием методик распознавания образцов плюс применение статистических и математических методов.

В основу технологии Data Mining положена концепция шаблонов, которые представляют собой закономерности, свойственные подвыборкам данных, кои могут быть выражены в форме, понятной человеку.

"Mining" по-английски означает "добыча полезных ископаемых", а поиск закономерностей в огромном количестве данных действительно сродни этому процессу.

Цель поиска закономерностей - представление данных в виде, отражающем искомые процессы. Построение моделей прогнозирования также является целью поиска закономерностей.

Напомним, что в основу технологии Data Mining положена концепция шаблонов, представляющих собой закономерности. В результате обнаружения этих, скрытых от невооруженного глаза закономерностей решаются задачи Data Mining. Различным типам закономерностей, которые могут быть выражены в форме, понятной человеку, соответствуют определенные задачи Data Mining. [3]

Задачи Data Mining иногда называют закономерностями или техниками.

Единого мнения относительно того, какие задачи следует относить к Data Mining, нет.

Большинство авторитетных источников перечисляют следующие: классификация, кластеризация, прогнозирование, ассоциация, визуализация, анализ и обнаружение отклонений, оценивание, анализ связей, подведение итогов.

Наиболее распространенные задачи Data Mining - классификация, кластеризация, ассоциация, прогнозирование и визуализация.

Таким образом, задачи подразделяются по типам производимой информации, это наиболее общая классификация задач Data Mining. [1]

Рассмотрим наиболее распространенные задачи Data Mining для применения их для оценки экономического ущерба от сердечно-сосудистых заболеваний.

Классификация.

Наиболее простая и распространенная задача Data Mining. В результате решения задачи классификации обнаруживаются признаки, которые характеризуют группы объектов исследуемого набора данных - классы; по этим признакам новый объект можно отнести к тому или иному классу.

Методы решения. Для решения задачи классификации могут использоваться методы: ближайшего соседа; k-ближайшего соседа; байесовские сети; индукция деревьев решений; нейронные сети.

Кластеризация.

Кластеризация является логическим продолжением идеи классификации. Это задача более сложная, особенность кластеризации заключается в том, что классы объектов изначально не предопределены. Результатом кластеризации является разбиение объектов на группы.

Ассоциация.

В ходе решения задачи поиска ассоциативных правил отыскиваются закономерности между связанными событиями в наборе данных.

Отличие ассоциации от двух предыдущих задач Data Mining: поиск закономерностей осуществляется не на основе свойств анализируемого объекта, а между несколькими событиями, которые происходят одновременно.

Наиболее известный алгоритм решения задачи поиска ассоциативных правил - алгоритм Apriori.

Последовательность, или последовательная ассоциация.

Последовательность позволяет найти временные закономерности между транзакциями. Задача последовательности подобна ассоциации, но ее целью является установление закономерностей не между одновременно наступающими событиями, а между событиями, связанными во времени (т.е. происходящими с некоторым определенным интервалом во времени). Другими словами, последовательность определяется высокой вероятностью цепочки связанных во времени событий.

Фактически, ассоциация является частным случаем последовательности с временным лагом, равным нулю. Эту задачу Data Mining также называют задачей нахождения последовательных шаблонов.

Правило последовательности: после события X через определенное время произойдет событие Y.

Прогнозирование.

В результате решения задачи прогнозирования на основе особенностей исторических данных оцениваются пропущенные или же будущие значения целевых численных показателей.

Для решения таких задач широко применяются методы математической статистики, нейронные сети и др.

Определение отклонений или выбросов, анализ отклонений или выбросов.

Цель решения данной задачи - обнаружение и анализ данных, наиболее отличающихся от общего множества данных, выявление так называемых нехарактерных шаблонов.

Оценивание.

Задача оценивания сводится к предсказанию непрерывных значений признака.

Анализ связей - задача нахождения зависимостей в наборе данных.

Визуализация.

В результате визуализации создается графический образ анализируемых данных. Для решения задачи визуализации используются графические методы, показывающие наличие закономерностей в данных.

Подведение итогов - задача, цель которой - описание конкретных групп объектов из анализируемого набора данных. [3]

С использованием Data Mining при помощи шаблонов можно разработать базу знаний для экспертной системы.

Решения на базе Deductor позволяют произвести:

Консолидация данных. В состав Deductor входит полноценное хранилище данных, с помощью которого можно консолидировать всю информацию, имеющую отношение к решаемым задачам: данные из медицинских карт, результаты анализов и проб, выходные показатели диагностирующих тест-систем. На базе Deductor легко создавать советующие системы для диагностики заболеваний, которые используют накопленные данные клинических исследований, автоматически выявляют значимые признаки и моделируют сложные зависимости между симптомами и заболеваниями. Мощные механизмы интеграции дают возможность получить данные практически из любого источника: от офисных приложений до специализированных медицинских систем.[13]

Data Mining может получать исходные данные из различных источников: текстовые файлы, файлы Microsoft Excel 97/2000 (xls), ОДВС-совместимые СУБД, Oracle Express, файлы внутреннего языка пакетного ввода данных (kml), базы данных в универсальном формате (xml) и др. Базу данных автор рекомендует формировать в среде Excel. [3]

Заключение

Теоретически определение социально-экономических потерь от заболеваний базируется на расчете так называемой стоимости, приписываемой явлению. Последняя определяется путем сравнения текущей ситуации с гипотетической - когда явление отсутствует.

В целом “стоимость заболевания” отражает ценность ресурсов, израсходованных в связи с его возникновением и распространением. Понесенные издержки включают в себя как материальные (прямые и косвенные), так и нематериальные потери (страдания заболевшего, его родственников и окружающих). Величина прямого ущерба определяется затратами на оказание больничной и внебольничной помощи, расходами на социальное страхование и социальную защиту больных сердечно-сосудистыми заболеваниями. Косвенный ущерб определяется потерями валового внутреннего (регионального) продукта за счет заболеваемости с временной нетрудоспособностью, инвалидности и преждевременной смертности от туберкулеза. [6]

При оценке экономических потерь, связанных с преждевременной смертностью, чаще всего используются следующие методы: - стоимости человеческого капитала; - фрикционных издержек; - оценки готовности людей платить. Оптимальным в этом случае является применение специализированных систем, ориентированных на решение задач консолидации данных. Подобные комплексы позволяют собрать информацию из различных источников, унифицировать представление, очистить от избыточных и некорректных сведений.

В основу технологии Data Mining положена концепция шаблонов, представляющих собой закономерности. В результате обнаружения этих, скрытых от невооруженного глаза закономерностей решаются задачи Data Mining. [8]

Литература

1. Боровиков В.П. Искусство анализа данных на компьютере (для профессионалов) - СПб.: Питер, 2003.

2. Дюк В. Обработка данных на ПК в примерах. - СПб.: Питер, 1997.

3. Дюк В., Самойленко А. Data Mining. - СПб.: Питер, 2001.

4. Калацкая Л. В., Новиков В. А., Садов В. С. Организация и обучение искусственных нейронных сетей. Мн.: БГУ, 2003.

5. Нейроинформатика / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин и др. - Новосибирск: Наука. Сибирское предприятие РАН, 1998.

6. Применение методов статистического анализа для изучения общественного здоровья и здравоохранения / Под ред. В.З. Кучеренко. - М.: ГЭОТАР - Медиа, 2005.

7. Халафян А.А. Современные статистические методы медицинских исследований. - М: ЛКИ, 2008.

8. Чашкин, Ю. Р. Математическая статистика. Анализ и обработка данных. - Ростов н/Д.: Феникс, 2010.

9. Чубукова И.А. БИНОМ. Лаборатория знаний, Интернет-университет информационных технологий - ИНТУИТ.ру, 2008

10. Шелухин, О. И. Моделирование информационных систем. - М., 2011.

11. http://www.intuit.ru

12. http://medi.az

13. http://www.basegroup.ru/solutions/industry/medicine

Размещено на Allbest.ru