Traditionally, supervised machine learning methods are the first choice for tasks involving classification of data. This study provides a non-conventional hybrid alternative technique (pEAC) that ...blends the Possibilistic Fuzzy C- Means (PFCM) as base cluster generating algorithm into the 'standard' Evidence Accumulation Clustering (EAC) clustering method. The PFCM coalesces the separate properties of the Possibilistic C-Means (PCM) and Fuzzy C-Means (FCM) algorithms into a sophisticated clustering algorithm. Notwithstanding the tremendous capabilities offered by this hybrid technique, in terms of structure, it resembles the hEAC and fEAC ensemble clustering techniques that are realised by integrating the K-Means and FCM clustering algorithms into the EAC technique. To validate the new technique's effectiveness, its performance on both synthetic and real medical datasets was evaluated alongside individual runs of well-known clustering methods, other unsupervised ensemble clustering techniques and some supervised machine learning methods. Our results show that the proposed pEAC technique outperformed the individual runs of the clustering methods and other unsupervised ensemble techniques in terms accuracy for the diagnosis of hepatitis, cardiovascular, breast cancer, and diabetes ailments that were used in the experiments. Remarkably, compared alongside selected supervised machine learning classification models, our proposed pEAC ensemble technique exhibits better diagnosing accuracy for the two breast cancer datasets that were used, which suggests that even at the cost of none labelling of data, the proposed technique offers efficient medical data classification.
Trideset je godina prošlo od osnivanja Hrvatskog društva za medicinsku informatiku (HDMI). Godine 1989. osnovano je pod nazivom Društvo za medicinsku informatiku Hrvatske. Godine 1989. zajedno s ...društvima iz Slovenije, Bosne i Hercegovine i Srbije udružuje se u Savez društava za medicinsku informatiku Jugoslavije (SDMIJ), a iste godine SDMIJ se učlanjuje u Europsku federaciju za medicinsku informatiku (EFMI) i Međunarodnu asocijaciju za medicinsku informatiku (IMIA). Nakon raspada Socijalističke Federativne Republike Jugoslavije (SFRJ) i SDMIJ prestaje djelovati, a DMIH mijenja ime u HDMI i kao HDMI učlanjuje se u EFMI i IMIA. O djelovanju HDMI-a pišu predsjednici HDMI-a Đuro Deželić (1989-2004), Josipa Kern (2005-2008), Vesna Ilakovac (2009-2016), Marijan Erceg (2017-). Hrvatsko društvo za medicinsku informatiku je organiziralo petnaest simpozija, dvije konferencije posvećene posebnim temama (EFMI STC), poticalo je osnivanje novih društava (HL7, PROREC) surađivalo s nizom društava i organizacija sa sličnim interesima. Od krovnih organizacija preuzima važne dokumente (Preporuke za edukaciju iz medicinske informatike; Etički kodeks za medicinske informatičare). Aktivira radnu grupu u EFMI-u, potiče ustanovljavanje Tehničkog odbora za normizaciju u medicinskoj informatici (TO 215) pri Hrvatskom zavodu za norme (HZN). Članovi HDMI-a intenzivno surađuju s Odborom za e-zdravlje Akademije medicinskih znanosti Hrvatske (Deklaracija o ezdravlju; Smjernice za unaprjeđenje elektroničkog zdravstvenog zapisa), organizirali su, napisali i uredili knjigu Medicinska informatika, surađivali na projektu poslijediplomske edukacije iz medicinske informatike. U međunarodnoj suradnji posebno se ističe suradnja s s Europskim institutom za zdravstvene zapise (EuroRec) čime je HDMI postao službeni partner na projektu EHR-Q-TN: „Thematic Network on Quality Labelling And Certification of EHR“. HDMI izdaje dva časopisa (Bilten Hrvatskog društva za medicinsku informatiku – časopis se objavljuje na Hrčku; Medicinska informatika – objavljuje radove/sažetke radova sa simpozija). HDMI organizira stručne sastanke i sudjeluje u raspravama o zakonima relevantnim za e-zdravlje.
Skupovi u organizaciji EFMI i IMIA Hercigonja- Szekeres, Mira
Bilten Hrvatskog društva za medicinsku informatiku,
02/2018, Volume:
24, Issue:
1
Web Resource
Povodom objave knjige "Medicinska informatika" autora J. Kern, M. Petrovečki, ur.; Medicinska naklada, Zagreb, 2009. objavljujemo njenu recenziju.Novi sveučilišni udžbenik "Medicinska informatika" u ...izdanju Medicinske naklade, urednika prof. dr. sc. Josipe Kern i prof. dr. sc. Mladena Petrovečkoga, namijenjen je prvenstveno studentima diplomskih i stručnih studija medicinskog usmjerenja te svim stručnjacima u zdravstvu koji se u svakodnevnom radu susreću s informacijskim i komunikacijskim tehnologijama. Udžbenik je pisalo više od četrdeset autora, redom stručnjaka iz medicinske informatike, što pridonosi njegovoj aktualnosti, sveobuhvatnosti i zanimljivosti.
Služba za medicinsku informatiku i biostatistiku Hrvatskog zavoda za javno zdravstvo u sljedećih će 5 godina postati facilitator i nositelj podrške izgradnji, standardizaciji, promjenama, ...optimizaciji i sinergiji stručnih, poslovnih, administrativnih i operativnih poslova Zavoda u internoj, medicinskoj, nacionalnoj, europskoj i međunarodnoj okolini. Jedna od ključnih odrednica Službe za medicinsku informatiku jesu stručnost i multidisciplinarnost. Služba trenutno zapošljava profesionalce iz različitih područja poput medicine, financija, marketinga, informatike i poslovanja.
Tradicionalno, metode nadziranog strojnog učenja predstavljaju prvi izbor za zadatke koji uključuju klasifikaciju podataka. Ovo istraživanje prikazuje nekonvencionalnu hibridnu alternativnu (pEAC) ...tehniku koja kombinira vjerojatnosno-neizraziti C-Means (PFCM) kao osnovni algoritam grupiranja u standardno grupiranje korištenjem grupiranja zasnovanog na skupljanju dokaza (EAC). PFCM objedinjuje zasebna svojstva vjerojatnosnog C-Means (PCM) i neizrazitog C-Means (FCM) algoritama u sofisticirani algoritam grupiranja. Usprkos ogromnim mogućnostima koje nudi ova tehnika, u smislu strukture, ona je nalik cjelovitim hEAC i fEAC tehnikama grupiranja realiziranim integracijom K-Means i FCM algoritama grupiranja u EAC tehniku.Kako bi se validirala učinkovitost, njeno ponašanje je ispitano na sintetičkim i stvarnim medicinskim podacima te su provedene usporedbe s pojedinačnim široko rasprostranjenim metodama, drugim nenadziranim tehnikama grupiranja i nekim nadziranim metodama učenja. Rezultat prikazuje kako predložena pEAC tehnika nadmašuje pojedine metode grupiranja i druge tehnike nenadziranog učenja u smislu točnosti u dijagnozi hepatitisa, kadiovaskularnih bolesti, raka dojke i dijabetesa, korištenih u eksperimentu.Značajno, u usporedbi s odabranim nadziranim modelima klasifikacije, predložena pEAC tehnika pokazuje bolju točnost dijagnoze na dvama korištenim bazama podataka za rak dojke, što ukazuje na to da čak i bez označenih podataka predložena tehnika nudi efikasnu klasifikaciju medicinskih podataka.