IME - AZ EGÉSZSÉGÜGYI VEZETŐK SZAKLAPJA

Tudományos folyóirat

   +36-30/459-9353       ime@nullimeonline.hu

   +36-30/459-9353

   ime@nullimeonline.hu

Adatbányászati technológiák az egészségügyben

  • Cikk címe: Adatbányászati technológiák az egészségügyben
  • Szerzők: Dr. Vassányi István, Dr. Fogarassyné Vathy Ágnes
  • Intézmények: IME Szerkesztőség, Pannon Egyetem (Veszprém)
  • Évfolyam: IV. évfolyam
  • Lapszám: 2005. / 3
  • Hónap: április
  • Oldal: 46-50
  • Terjedelem: 5
  • Rovat: INFOKOMMUNIKÁCIÓ
  • Alrovat: MÓDSZERTAN, DÖNTÉS ELŐKÉSZÍTÉS

Absztrakt:

Az adatbányászat ígéretes technológia az egészségügyi információs rendszerekben felhalmozódott adatok feldolgozására, a tudás kinyerésére. A cikkben áttekintést adunk a módszerről, és bemutatjuk a Veszprémi Egyetemen kifejlesztett Intelligens Adatelemző Központot egy osteoporosis-mintaalkalmazás tükrében.

Cikk letöltése




Vissza az előző oldalra
Szerző Intézmény
Szerző: Dr. Vassányi István Intézmény: IME Szerkesztőség
Szerző: Dr. Fogarassyné Vathy Ágnes Intézmény: Pannon Egyetem (Veszprém)

[1] S. Tsumoto: Clinical Knowledge Discovery in Hospital Information Systems: Two Case Studies, proc. IMSIS, 2000.
[2] M. Last, O. Maimon, A. Kandel: Knowledge Discovery in Mortality Records: An Info-Fuzzy Approach, in Medical Data Mining and Knowledge Discovery (Editor: K. Cios), Studies in Fuzziness and Soft Computing, Vol. 60, Springer- Verlag, 2001, pp. 211-235.
[3] T. Dart, Y. Cui, G. Chatellier, P. Degoulet: Analysis of hospitalised patient flows using data-mining. Stud Health Technol Inform. 95:263-8, 2003.
[4] S. Tsumoto: Mining diagnostic rules from clinical databases using rough sets and medical diagnostic model, Inf. Sci. 162(2): 65-80, 2004.
[5] J. F. Roddick, P. Fule, W. J. Graco: Exploratory Medical Knowledge Discovery: Experiences and Issues, SIGKDD Explorations 5(1): 94-99, 2003.
[6] Hoffman Z., Antalfi B., Erényi Á., Mártha P.: Adatbányászati tevékenység emlődaganatok korai feltárására, differenciálására és a kezelési eredmények monitorozására, Gép / A Gépipari Tudományos Egyesület Műszaki Folyóirata, 55: 4-5. sz., 2004.
[7] Fogarassyné Vathy Á., Fogarassy Gy.: Egészségügyi adatok előkészítése elemzések céljából, IME 2003/8, 2002.
[8] Intelligens Adatelemző Központ, http://iak.ktk.vein.hu

INFOKOMMUNIKÁCIÓ ADATBÁZIS TECHNOLÓGIA Adatbányászati technológiák az egészségügyben Dr. Fogarassyné Vathy Ágnes, Dr. Vassányi István, Veszprémi Egyetem Az adatbányászat ígéretes technológia az egészségügyi információs rendszerekben felhalmozódott adatok feldolgozására, a tudás kinyerésére. A cikkben áttekintést adunk a módszerről, és bemutatjuk a Veszprémi Egyetemen kifejlesztett Intelligens Adatelemző Központot egy osteoporosis-mintaalkalmazás tükrében. BEVEZETÉS Az elmúlt 2 évtizedben a tudományos kutatások során alkalmazott eszközök, módszerek sorában az adatbányászat egyre inkább jelentős szerephez jut. Alkalmazási területeit tekintve a lehetőségek tárháza szinte kimeríthetetlen. Csupán néhány példát kiemelve: adatbányászati módszereket alkalmaznak az egyes biztosítótársaságok a csalások felderítésére, a pénzügyi szervezetek a hitelkockázati tényezők megbecslésére, az üzleti életben a piacelemzésben és a direkt marketingben, a telekommunikációban, de akár tekinthetjük a csillagászatot is, ahol számos kvazárt fedeztek fel ezen eszközök segítségével. Az orvostudomány területét tekintve az egészségügy működése, a betegek ellátása, illetve a szervezett prospektív vizsgálatok során nagy mennyiségű adat halmozódik fel, s ezen adatok alapot adhatnak az új ismeretek adatbányászati eszközökkel történő feltárására. A kórházi információs rendszerekben tárolt nagy adattömeg gazdasági és orvosi szempontból történő elemzése érdekes eredményekhez vezethet, melyek integrálása a mindennapi munkában szakmai és gazdasági szempontból is előremutató lehet. Az utóbbi évtizedeket tekintve az egészségügy területén számos kutatás használt és használ fel adatbányászati módszereket. Így például ilyen technológiát alkalmazva elemezték a lehetséges betegutakat a hatékonyabb betegellátás elősegítésének érdekében [3], az emlődaganatok korai felismerését és a kezelési eredmények monitorozását célzó adatbányászati jellegű vizsgálatok folynak hazánkban [6], de hasonló módszereket alkalmaznak a génkutatásban, s a különbözőő betegségek rizikófaktorainak azonosítása során is. kis mértékben emelkedik. Az elemzésre szánt emberi erőforrás és az elemzendő adatok közt egyre nagyobb szakadék tátong. John Naisbitt gondolatát idézve: „We are drowning in information but starving for knowledge”, azaz belefulladunk az adatokba, mégis szomjazunk az információra. Erre a problémára nyújthat egy lehetséges megoldást az adatbányászat, melynek célja a nagy adathalmazokban rejlő, még fel nem tárt új ismeretek, összefüggések kiaknázása informatikai módszerek felhasználásával. A tudásfeltárás iteratív folyamat, amely az elemzésre szánt adatok előkészítésétől kiindulva jut el a keresett, hasznos információig (1. ábra). A folyamat első lépéseként meg kell határoznunk, hogy mely adatok vesznek részt az elemzésben. Gyakori eset, hogy a kiindulási adatok több, különböző forrásból állnak rendelkezésünkre, ezért ezen adatokat egy egységes rendszerbe kell integrálnunk. Szintén az adatelőkészítés részeként, a rendelkezésre álló adatokat meg kell tisztítanunk az esetleges gépelési és egyéb hibáktól, hiszen csak valós adatok elemzése vezethet érdemben használható eredményekhez. Az adatelőkészítés magában foglalhat egyéb tevékenységeket is, mint például adatok kategorizálása, új értékek kiszámítása, mértékek egységesítése. [7] Az előkészítést követően, amely akár a teljes folyamat 60-70% százalékát is kiteheti, meg kell határozni az elemzések célját, valamint az elemzéshez használt módszereket. A módszerek meghatározását követően kezdődhet a szó szoros értelemben vett adatbányászati tevékenység. Ez a fázis tulajdonképpen a szoftverbe beépített algoritmusok futtatását jelenti. A felhasználónak azonban nem kell informatikai értelemben értenie az algoritmusok tényleges működési elvét, elegendő csupán bizonyos paramétereket beállítania, mint például az elemzésben részt vevő adatok meg- ALKALMAZOTT MÓDSZEREK Az informatikai rendszerekben napjainkra felhalmozódott óriási adatmennyiség elemzése csupán emberi erőforrásokra támaszkodva szinte elképzelhetetlen. A rendelkezésre álló adatok mennyisége napról-napra nő, az elemzésben részt vevő szakemberek száma viszont nem, vagy csak 46 IME IV. ÉVFOLYAM 3. SZÁM 2005. ÁPRILIS 1. ábra A tudásfeltárás folyamata INFOKOMMUNIKÁCIÓ ADATBÁZIS TECHNOLÓGIA határozása, vagy automatikus csoportképzés esetén a kialakítandó csoportok száma. Az adatbányászat eredményét a felhasználó különböző formákban tekintheti meg, így például diagramok, táblázatok, grafikonok, döntési fák állnak az elemzők rendelkezésére. A szakértők feladata ezeket a vizualizált eredményeket kiértékelni, majd esetlegesen újabb célokat kitűzni az elemzés számára (1. ábra). Az egészségügyi adatok elemzése során használatos főbb adatbányászati módszereket négy csoportba sorolhatjuk: összefüggés-keresés, osztályozás, automatikus csoportképzés, fejlődés- és trendanalízis. • Összefüggések keresése esetén azt vizsgáljuk, hogy a rendelkezésre álló adatok között vannak-e olyan tulajdonságok, amelyek gyakran fordulnak elő együtt, illetve ezen alapulva bizonyos tulajdonságok előfordulásának valószínűsége miként határozható meg más, ismert tulajdonságok alapján. Az orvostudomány területét tekintve összefüggés-keresés módszerét alkalmazva vizsgálhatjuk például, hogy mely betegségek fordulnak elő együttesen gyakran, bizonyos gyógyszerek szedése hogyan hat a betegségek lefolyására, illetve az életvezetési szokások milyen mértékben befolyásolják a morbiditást. Szintén az összefüggés-keresés gondolatkörébe tartozik a folytonos értékű adatok korrelációs vizsgálata, melynek során matematikai képlettel kíséreljük meg leírni az adatsorok közti összefüggéseket. Ilyen módszereket alkalmazhatunk például a laboreredmények közti összefüggések feltárására. • Az osztályozás során a kiinduló adathalmazban jól elkülönülő csoportok különböztethetők meg, s arra keressük a választ, hogy milyen adatok segítségével lehet nagy biztonsággal megjósolni egy új adatsor valamely ismert osztályba történő besorolását. Az egészségügy területén az osztályozás egy tipikus alkalmazása, amikor az osztályokat az egyes diagnózisok jelentik, s arra a kérdésre keressük a választ, hogy a fizikális, életvezetési, és egyéb adatok milyen értékei mellett következnek be a betegségek. A rizikófaktorok azonosításán túl osztályozási módszereket vehetünk igénybe például a terápiás folyamatok elemzésére is. • Az osztályozással ellentétben az automatikus csoportképzés során nem az elemző személy határozza meg az elkülönülő csoportokat, hanem a rendszerre bízzuk ezt a feladatot. Az adatcsoportok elkülönítéséhez a felhasználó csupán a számításba jövő tulajdonságok körét határozza meg, majd a rendszer ezen tulajdonságok alapján egymástól jól elkülönülő csoportokat hoz létre. Az egészségügyben automatikus csoportképzést alkalmazva felismerhetünk új betegségeket, új vírustörzseket, vagy részletesebb elemzések céljából partícionálhatjuk a vizsgált populációt. Gazdasági szempontokat figyelembe véve, az automatikus csoportképzés alkalmas a különféle csalások, visszaélések felismerésére is. • A trend- és fejlődésanalízis bizonyos tulajdonságok, értékek időbeni változásának elemzésében nyújt hatékony eszköztárat. Ilyen eszközökkel vizsgálhatjuk az egyes betegségek lefolyását, a laborparaméterek alakulását, a gyógyszerek hatását a betegségek lefolyására nézve, de kereshetünk olyan paramétereket is, amelyek különböző betegségek esetén hasonló változást mutatnak az idősíkon. INTELLIGENS ADATELEMZÔ KÖZPONT Az adatbányászati elemzésére számos szoftvert fejlesztettek, amelyek megvásárlása azonban jelentős anyagi terhet ró a kutatókra és az intézetekre, és további alkalmazásuk mélyebb informatikai ismereteket igényel. Az Veszprémi Egyetemen futó IKTA 142/2002-es projekt célkitűzése egy Intelligens Adatelemző Központ felállítása, amely a projektben részt vevő kutatók részére internetes adatelemző szolgáltatásokat nyújt [8]. A létrehozott rendszer alapját az IBM DB2 Intelligent Miner szoftver alkotja. Jelenleg az idősorok elemzésén kívül a központ az összes fent említett adatelemzési módszert támogatja. A központ informatikusai által a kutatók részére informatikai szolgáltatást is nyújt olyan kérdésekben, mint például az elemzéshez szükséges adatok elkészítése, vagy a használt módszerek paraméterezési beállításai. 2. ábra Az Intelligens Adatelemző Központ portáljának felülete A szolgáltatás használatához első lépésként fel kell tölteni az adatokat az elemző rendszerbe. Mivel a rendszer jelszóval védett egyéni bejelentkeztetést igényel, ezért ezen adatok nem válnak más számára is elérhetővé, csak az adatfeltöltést elvégző személy látja és tudja őket elemezni. Az adatfeltöltést követően varázsló segíti a kutatók további munkáját. A varázsló lépésről lépésre vezeti végig a szakembert az elemzési módszerek kiválasztásának és az elemzéshez szükséges paraméterek beállításának folyamatán. Miután a szükséges paraméterek beállítása megtörtént, a háttérben lefut a tényleges adatbányászati algoritmus, majd a felhasználó vizuális formában tekintheti meg az elemzés eredményét. Az alkalmazás lehetőséget biztosít arra, hogy az elemző grafikonokat, diagramokat, táblázatokat, döntési mechanizmusok áttekintését elősegítő ábrákat böngészve értékelje az eredményeket (3. ábra). Az értékelést nagymértékben elősegíti, hogy az egyes eredmények különféle as- IME IV. ÉVFOLYAM 3. SZÁM 2005. ÁPRILIS 47 INFOKOMMUNIKÁCIÓ ADATBÁZIS TECHNOLÓGIA 3. ábra Az eredmények megjelenítése (felül csoportok, alul egy döntési fa látható) pektusokból és különféle részletezettségi szinteken is áttekinthetők. Az eredmények értékelését újabb elemzési folyamatok, illetve a felismert összefüggések gyakorlati alkalmazása követi (3. ábra). EGY ALKALMAZÁSI PÉLDA Az Intelligens Adatelemző Központ szolgáltatásait használva egy szeizmológiai, egy régészeti és egy orvosi kutatási mintaprojekt indult. Az orvosi alkalmazás az osteoporosis vizsgálatát tűzte ki célul. A kutatásban partnerünk a balatonfüredi DRC regionális osteoporosisközpont, amely közel 40.000 páciens adatait kezeli több évre visszamenően. A központ regiszterében nem csupán osteoporosisban szenvedő betegek adatai találhatók meg, hanem elérhetők számos egészséges páciens adatai is. Az elemzéshez az adatok széles skálája áll rendelkezésre, amelyek a következő fő csoportokba sorolhatók: páciensek személyes és családi anamnézise, fizikális adatok, rizikófaktorok, gyógyszeres kezelésekkel kapcsolatos adatok, denzitometriai mérési adatok, laboradatok, betegkövetési adatok. Mindezek mellett az osteoporosisközpont rendel- 48 IME IV. ÉVFOLYAM 3. SZÁM 2005. ÁPRILIS kezik az egyes települések ivóvíz-összetételére jellemző adatokkal is, amely tényező akár a betegség kialakulásában is szerepet játszhat. A elemzési folyamat első lépéseként az adatok előkészítése történt meg. Mivel a DRC Kft. kezelésében lévő adatok nagy része korábban csak papír formátumban volt elérhető, ezért kifejlesztettünk egy adatbázist, melynek feladata a kiválasztott adatok elektronikus tárolása. Kiválasztottunk egy reprezentatív pácienscsoportot, melynek minden elérhető adatát rögzítettük. Mivel az elemzések minőségét egy bizonyos mennyiség elérése után az elemzendő adatok mennyisége nem befolyásolja, ezért adatredukciós eljárásokat gyakran alkalmaznak az adatbányászati tevékenységek során. Az elkészült adatbázisrendszer lehetőséget biztosít a hibás adatok kiszűrésére, illetve az adatbányászati folyamat egyéb előkészítési tevékenységeire is, mint például folytonos értékek kategorizálása, hiányzó adatok pótlása. Kategorizálást hajtottunk végre minden olyan folytonos értéket tartalmazó adaton, amely esetén nem a pontos érték, hanem csupán annak nagyságrendje a meghatározó, például a testtömeg-index érték (sovány, normál, elhízott, súlyosan elhízott), az egyes laboreredmények, s az életkor alapján is elkülönülő páciens csoportokat különbözettünk meg. INFOKOMMUNIKÁCIÓ ADATBÁZIS TECHNOLÓGIA Az adatok elektronikus formában történő tárolása és tisztítása után több elemzést végeztünk. Ezek közül egyet példaként választva mutatjuk be az adatbányászat folyamatát. Az elemzés célja annak vizsgálata volt, hogy a páciensre jellemző adatok alapján meg tudjuk-e jósolni az osteoporosis lehetséges kialakulását. Az elemzési módszert tekintve osztályozást alkalmaztunk, ahol a pácienseket állapotuk szerint 3 csoportra osztottuk: egészséges, osteopenia, osteoporosis. Ezen elemzés csupán olyan adatokat vett figyelembe, amelyet minden páciens önmagára vonatkozóan objektíven meg tud határozni, de természetesen ezen adatok kibővíthetők további, orvosi vizsgálatokat igénylő és egyéb forrásból elérhető adatokkal, illetve szubjektív mértékekkel is. Ennek megfelelően a páciens neme, életkora (10 éves kategóriákat tekintve), testsúlya (BMI alapján kategorizálva), illetve azon tény, hogy volt-e már csonttörése a páciensnek alkották azon adatokat, amelyekről meg kívántuk határozni, hogy előrejelzik-e az osteoporosis kialakulását. Az elemzésből kiderült, hogy a legtöbb vizsgált egyén, 45 és 75 éves kora között kereste fel a rendelést, ami nem meglepő adat, hiszen ez a megcélzott és veszélyeztetett korosztály. 65 éves kor után az osteopeniások és az osteoporosisosok százalékos előfordulása nő, 75 év felett több az osteoporosisos, mint az osteopeniás és a normál személy. A vizsgált csoportban is igazolódott az ismert adat, hogy az elhízottak között kevesebb az osteoporosis. A törés gyakorisága osteopenia illetve osteoporosis esetén csaknem duplája volt a vizsgált populációban az egészségesekéhez képest. A vizsgáltak 1/3-ának volt csonttörése, amely jó előszűrést jelző adat. Meglepő eredmény, hogy a nemek megoszlását tekintve nem mutatkozott szignifikáns eltérés a vizsgált populációban az egyes betegcsoportok között. A fenti elemzés mellett az adathalmaz számos egyéb elemzési lehetőséget is magában rejt. Vizsgálható például az osteoporosis összefüggése a környezettel, a foglalkozással, az ivóvízzel, a táplálkozással. Analóg módon vizsgálható a denzitometriai mérési eredmények összefüggése a csonttörési gyakorisággal, a terápia hatása a betegség alakulására, illetve a hormonszintek és a csontvesztés ütemének kapcsolata. Automatikus csoportképzési módszereket alkalmazva elkülönülő pácienscsoportok határozhatók meg, melyek további részletes vizsgálat alanyai lehetnek. Trendés fejlődésanalízist segítségével vizsgálható például a csontsűrűségi adatok időbeni változása. ÖSSZEGZÉS A napi operatív feladatokat ellátó egészségügyi információs rendszerekben napjainkra óriási adattömeg halmozódott fel, illetve a prospektív vizsgálatok során is sok adat keletkezik. Ezen adatok gazdasági és tudományos szempontból történő elemzéséhez hatékony eszköztárat nyújthat az adatbányászat. Eredményes alkalmazásának feltételei: megfelelő mennyiségű, strukturált adat rendelkezésre állása, a gazdasági, illetve orvos-szakértő elhivatottsága, valamint megfelelő informatikai támogatottság. A cikkben bemutatott adatelemző portál ezen folyamathoz kíván hatékony segítséget nyújtani. Az Intelligens Adatelemző Központ szolgáltatásairól, együttműködési lehetőségekről további felvilágosítást a vassanyi@irt.vein.hu címen kaphat a kedves Olvasó. KÖSZÖNETNYILVÁNÍTÁS A cikkben bemutatott munkát az IKTA 142/2002 számú kutatási projekt támogatta. IRODALOMJEGYZÉK [1] S. Tsumoto: Clinical Knowledge Discovery in Hospital Information Systems: Two Case Studies, proc. IMSIS, 2000. [2] M. Last, O. Maimon, A. Kandel: Knowledge Discovery in Mortality Records: An Info-Fuzzy Approach, in Medical Data Mining and Knowledge Discovery (Editor: K. Cios), Studies in Fuzziness and Soft Computing, Vol. 60, Springer-Verlag, 2001, pp. 211-235. [3] T. Dart, Y. Cui, G. Chatellier, P. Degoulet: Analysis of hospitalised patient flows using data-mining. Stud Health Technol Inform. 95:263-8, 2003. [4] S. Tsumoto: Mining diagnostic rules from clinical databases using rough sets and medical diagnostic model, Inf. Sci. 162(2): 65-80, 2004. [5] J. F. Roddick, P. Fule, W. J. Graco: Exploratory Medical Knowledge Discovery: Experiences and Issues, SIGKDD Explorations 5(1): 94-99, 2003. [6] Hoffman Z., Antalfi B., Erényi Á., Mártha P.: Adatbányászati tevékenység emlődaganatok korai feltárására, differenciálására és a kezelési eredmények monitorozására, Gép / A Gépipari Tudományos Egyesület Műszaki Folyóirata, 55: 4-5. sz., 2004. [7] Fogarassyné Vathy Á., Fogarassy Gy.: Egészségügyi adatok előkészítése elemzések céljából, IME 2003/8, 2002. [8] Intelligens Adatelemző Központ, http://iak.ktk.vein.hu IME IV. ÉVFOLYAM 3. SZÁM 2005. ÁPRILIS 49 INFOKOMMUNIKÁCIÓ ADATBÁZIS TECHNOLÓGIA A SZERZÔK BEMUTATÁSA Dr. Fogarassyné Vathy Ágnes A matematika-fizika-számítástechnika szakos tanári diploma megszerzését követően (BDTF, 1995) tanulmányait a Veszprémi Egyetemen folytatta, ahol 1998-ban informatika szakos tanári diplomát szerzett. Az ELTE Informatika Doktori Iskolá- jának hallgatója. 1998 óta dolgozik a Veszprémi Egyetem Matematikai és Számítástechnikai Tanszékén, 2003 óta egyetemi adjunktus. Jelenleg az IKTA 142/2002 „Intelligens adatelemző központ” projektben szakértő résztvevőként tevékenykedik. Kutatási területei: adatbányászat, adattárházak, az adatbányászati és adattárház módszerek alkalmazása az egészségügyben, adatmodellezés, adatbázisrendszerek. Vassányi István (PhD, informatikus) 1993-ban szerzett villamosmérnöki oklevelet a Budapesti Műszaki Egyetemen. 1993-97 között a KFKI Mérés- és Számítástechnikai Kutató Intézet képfeldolgozó csoportjában programozható logikákkal dolgozott. 2000-ben szerzett informatikai PhD fokozatot a BME-n. 1997-től adjunktus a Veszprémi Egyetem Információs Rendszerek Tanszékén, számos kutatási projekt vezetője illetve résztvevője. Kutatási területe: adatbáziskezelés, adatmodellezés, adattárházak, rendszertervezés, XML. Helyesbítés Tisztelt Olvasóink! Az IME 2005. IV. évfolyam 1. számában (47-50. oldal) jelent meg Magyari Péter, Dr. Rékassy Balázs (ORACLE Corporation) tollából „Az intézményközi regionális informatikai rendszer centrális megvalósításának alternatív lehetőségei” című cikk. A szerzők kérésére az alábbi helyesbítést adjuk közre, mert nem a végső verzió került betördelésre. Eredeti szöveg: Jelen jogszabályi környezetben a deperszonalizált adattárolás értelmezésre szorul nem alkalmazható. (50. oldal jobb oldali hasáb Összegzés.) Helyesen: „Jelen jogszabályi környezetben a deperszonalizált adattárolás értelmezésre szorul. Azonban nem szabad elfogadnunk, hogy egy konzervatív szemléletű, egészségügyi adatok kezeléséről szóló törvény gátja legyen egy ilyen előnyöket kínáló megoldás megvalósításának.„ Szerk A cikkben a szerzők szerették volna kihangsúlyozni, hogy a HEFOP program igazi szakmai előnyeit a központi deperszonalizált megközelítés nyújthatja, mivel így válhat a rendszer, értelmes, népegészségügyi célokat és a gyógyító orvos munkáját is valóban szolgáló megoldássá. A magyarországi 3 régió megoldása nemzetközi mintája lehetne az egészségügyi reformoknak, amennyiben valóban ki használnánk a technológia nyújtotta előnyöket és lehetőségeket a központi, deperszonalizált megoldás által. A rendszer főbb előnyei: • Az összes adat védelme központilag biztosítható. • Segíti a statisztika-készítést, prevenciót, riasztást, minták detektálását, tudásbázisok kialakítását, intelligens automatikus döntéstámogatást. • Megfelelő válaszidővel rendelkezik, mind az egyéni betegadatokra, mind a népegészségügyi elemzések, riasztások tekintetében. • A jelen jogszabályi környezetben a deperszonalizált adattárolás értelmezésre szorul, de nem szabad elfogadnunk, hogy egy konzervatív szemléletű egészségügyi adatok kezeléséről szóló törvény gátja legyen egy ilyen modern cél, nyújtotta előnyök megvalósításának. A betegek, a gyakorló egészségügyi személyzet, és az egészségügyi vezetők számára is fontos kell, hogy legyen, hogy az intézményközi rendszerben a mai modern technológia nyújtotta lehetőségek mind megvalósuljanak, és azok a hazai egészségügy égető jobbítását szolgálják. A szerzők ezúton is szeretnének elnézést kérni az olvasóktól, hogy írásuk esetleges félreértésre adott okot. 50 IME IV. ÉVFOLYAM 3. SZÁM 2005. ÁPRILIS