Case-based resoning. och dess användning inom sjukvården. Linköpings universitet Artificiell intelligens II 729G11 HT 2011
|
|
- Viktor Hansson
- för 5 år sedan
- Visningar:
Transkript
1 Linköpings universitet Artificiell intelligens II HT 2011 Case-based resoning och dess användning inom sjukvården
2 Sammanfattning Det här arbetet handlar om vad case-based resoning är, hur den funkar, vilka algoritmer den använder sig av och i vilken sammanhang man använder sig av den. Jag tar även upp lite om vad jag tror om dens framtid inom sjukvården. Den här arbete är som en inlämningsuppgift till kursen AI2 på Linköpings universitet. sida 1
3 Innehåll Sammanfattning Inledning Syfte Case-based resoning (CBR) Hur funkar case-based resoning Sökträd Nearest-neighbour retrival eller inductive retrival Fördelar och nackdelar att använda Case-based resoning Användningsområden Sjukvård för- och nackdelar med att använda ett sådant program inom sjukvård Vad jag har lärt mig och mina tankar kring case-based resoning... 9 Elektroniska källor sida 2
4 1 Inledning Nuförtiden blir vår värld allt mer och mer datoriserad man kan nästan inte gå en dag utan att använda någon typ av maskin eller program. Dem har blivit våra bästa hjälpmedel i vardagen. De har öppnat alla möjliga dörrar för oss människor. En av dessa hjälpmedel som är under utveckling just nu är ett dataprogram som är byggd för att hjälpa läkare att ställa diagnos på patienter. Det intressanta med dataprogrammet är att den inte bara löser fall utan den även lär sig med tiden och det gör den genom härma människans problemlösningsförmåga det vill säga att den använda sig av sina tidigare kunskaper och erfarenheter för att kunna lösa ett problem. 1.1 Syfte Syftet med det här arbetet är att kunna ge en djupare förståelse för hur case-based resoning fungerar och hur man kan använda den. sida 3
5 2 Case-based resoning (CBR) 2.1 Vad är case-based resoning Case-based resoning är en artificiell metod som gå ut på att lösa nya fall genom att använda sig av liknande tidigare lösta fall som redan finns lagrade i programmets databas. Databasen är ett stort bibliotek där alla fall finns lagrade. I varje fall finns det ett problem, en lösning och feedback på hur resultatet blev. Det är från det här biblioteket som CBR använder sig av för att hitta liknelser med det nya problemet som man har matat in. Varje fall kan innehålla olika värden till exempel ålder, centimeter, milliliter, datum med mera. Alla värden som finns i fallet blir representerade som variabler i programmet. Variablerna i sin tur blir till vektorer. Variablerna beskriver en vektor i ett N- dimensionellt rymd. Varje vektor det vill säga fall lägger till en ny N i dimensionen där alla fall finns lagrade. För att hitta den bästa lösningen till fallet använder programmet sig av sökträd. Det finns olika program och system som använder sig av CBR så som Diagnostiksystem vilket är den som jag kommer att inrikta mig på men det finns även klassificeringssystem, lärningssystem och planeringssystem. 2.2 Hur funkar case-based resoning Case-based resoning går ut på att söka, match och lösa. Den använder sig av fyra steg. (figur1) Dessa steg är följande. 1. Hämta (Retrive) När man har matat in ett fall kommer CBR först att kolla vad det finns för variabler i fallet och göra om de till en vektor som innehåller alla dessa variabler. Den kommer sen att jämföra med andra vektorer det vill säga fall som den har lagrad i biblioteket och se vilken som passar bäst in i det nya fallen. Detta gör den med hjälp av ett sökträd. 2. Återanvända (Reuse) När den har hittat ett fall som passar in i det nya fallet kommer den att föreslå att prova det tidigare fallens lösning på det nya fallen. 3. Revidera (Revise) Därefter gör den ett till sökträd som har gått igenom den föreslagna lösningen och resultatet kommer vara att den antingen har hittat lösningen till problemet eller så kommer den att söka igen igenom efter en annan passande lösning då resultatet inte blev bra. Den kommer gå igenom steg 1 och steg 2 igen. 4. Spara (Retain) Om resultatet av lösningen på problemet blev bra kommer den att spara det nya fallet i fallbiblioteket. Men bara om fallet har något nytt att tillföra i biblioteket. Om den liknar för mycket det tidigare fallet kommer lösningen inte att sparas. sida 4
6 2.3 Sökträd Figur 1. Visar hur dessa fyra steg sammarbetar för att komma till en lösning. 1 CBR använder sig av sökträd för att hitta den bästa passande lösningen. Det kallas för sökträd då det kan beskrivas som ett träd. Ett sökträd består av en rot, noder och lövnoder. Roten är på toppen och noderna kan man säga är dess grenar varje gren är ett alternativ till lösningen och lövnoderna kan man tänka sig är löv på grenarna. Eftersom det inte finns något mer som följer efter löv på träd kommer löven vara svar på lösningen. Sökträd kan vara binärt (figur 2) 2 eller ickebinärt (figur 3) 3. När det är ett binärt sökträd kommer noden alltid att ha högst två grenar. När den är ickebinärt kommer sökträdet att ha flera än två grenar som den har att välja från. Ett sökträd funkar på så sätt att den börjar från roten där alla information finns och kollar upp likheter som det nya fallet har med de gamla. Den bygger upp grenar med noder där varje nod är ett alternativ till lösningen. Den fortsätter förgrena sig till den hittar lövnoden vilket är det slutgiltiga svaret på problemet på den nya fallet som man skrev in. Om det är en stor databas som man jobbar med kommer sökträdet att växa väldig mycket vilket kan vara svårt att tyda. För att undvika det här problemet kan man begränsa antalet steg som sökträdet ska bestå av eller så kan man också begränsa antalet löv. 1 Figur tagen från Markus Nilsson, A cased-based approach for classification of physiological Time-Series, Mälaredalen University Licentiate Thesis. No.28 2 Bild tagen från Wikipedia 3 Bild tagen från Wikipedia sida 5
7 Figur 2. Visar ett exempel på hur ett binärt sökträd växer. Figur 3. Visar ett exempel på hur ett ickebinärt träd växer. 3 Nearest-neighbour retrival eller inductive retrival Eftersom vektorerna jämför med varandra kan programmet använda sig av Nearest- Neighbour retrival algoritmen (k-nn). K-NN går ut på att jämföra liknelsen mellan de sparade falletoch den nya inmatade falletsom ska lösas. I den här N-dimensionellt rymd kan man tänka sig att alla fall ligger lite här och där i rymden och den som ligger närmast den nya falletär den som liknar den mest och blir den nya fallens granne. Grannen är den som har lösningen till den nya fallen. Ifall grannen inte kan lösa problemet kollar man igen vilka andra som ligger nära den nya falletoch så fortsätter man tills man har hittat lösningen. Det kan hända ibland att det kan vara en blandning av två eller flera fall som kan bli lösningen till den nya fallen. Dock används det bara i program som har fall som är väl definerade och lösningen inte är lika enkel. Den kan även använda sig av inductive retrival algoritmen som går ut på att bestämma vilka värden som är viktiga i falletoch med hjälp av de gör ett sökträd som hittar fall i biblioteket som liknar den nya fallen. sida 6
8 Figur 4. Visar hur Nearest-neighbour retrival funkar. Den gröna pricken är den nya fallet och figurerna kring den är andra tidigare löst fall. De närsmast är den är grannarna. Det som skiljer K-NN och inductive retrival åt är att k-nn är väldig enkelt att använda men blir allt långsammare ju större biblioteket blir och det kan bli ett problem med tiden. Inducive retrival är snabbt men det blir svårare att hitta lösningen om ett av falletsaknas någon värde och den är beroende av att man har kategoriserad i förhand och att kategorisera kräver mycket jobb. Även om det är nya fall som man matar in hela tiden i programmet kommer den inte att spara alla lösningar då det kan vara att många fall kan upprepas. Det som bestämer vilka fall som ska sparas är hur olika de är från de falletsom finns redan. Fall som är för lika brukar inte sparas men fall som inför något nytt till programmets bibliotek brukar sparas. Case-based resoning kräver underhåll ibland då databasen kan komma att växa väldig stort med tiden. Det man gör då är att kolla upp alla fall som finns i biblioeteket och kategoriserar de i olika fack beroende på vad de har för liknelser med varandra. 3.1 Fördelar och nackdelar att använda Case-based resoning Fördelarna med att använda sig av case-based resoning för att lösa problem är att den kan spara lösningar till olika fall som kan återanvändas till liknande fall men nackdelen är att man måste kategorisera alla fall och ju större biblioteket blir ju mer tid kräver programmet för att hitta en lämplig lösning till problemet. Underhållningen måste göras regelbundet och det kräver mycket tid och jobb för att hålla programmets alla fall kategoriserad. Något som i längden kanske inte håller. 4 Användningsområden 4.1 Sjukvård Ett användningsområde där case-based resoning tillämpas är inom sjukvården. Tyvärr har jag inte kunnat hitta om det finns något sjukhus som använder sig av ett sådant program. Då det fortfarande är ett färskt ämne och programmet är inte syftat till kommersiellt bruk. Det som jag hittade däremot var andra liknande program men som istället för att vara allmänna fallbaserad är byggda för att vara specialister inom vissa områden. Till exempel, The Auguste projekt som ska användas som ett stöd till beslutsfattande i planering för vårdnad av sida 7
9 patienter med Alzheimers. Den ska utifrån beteendet som patienten visar kunna välja vilka mediciner är lämpligast att ge. Markus Nilsson (2004) 4 gjorde sin avhandling där han skriver om case-based resoning och hur man kan använda den inom sjukvården. Hans ide är att med hjälp av programmet kunna diagnostisera patienter. Programmet ska i början ha samma kunskap som en nyutexaminerad läkare och med tiden lär sig nytt kunskap (lösningar). Eftersom det uppstår för många problem med att skapa allmänna fallbaserad är det bättre att göra program som inriktar sig inom något ämne istället. Markus Nilsson valde stressrelaterade sjukdomar som till exempel utbrändhet. Det brukar vara något som är svårt att ställa diagnos på och med hjälp av det här programmet hoppas han kunna underlätta för läkaren diagnostiseringen på patienter. 4.2 för- och nackdelar med att använda ett sådant program inom sjukvård Varje program blir individuellt eftersom den lär sig hela tiden nya saker och fallet är inte detsamma i varje sjukhus det finns kan förekomma många liknade fall men man kommer se skillnad mellan olika sjukhus. Vilket kan göra att sjukhusavdelningarna kommer att bli bättre på vad de är specialiserad på. Genom att kunna se patientens medicinska historia och genom att skriva in symptomen som patienten har blir det lättare att se till att man inte missa något då all information är samlad på ett ställe. Med hjälp av det här ska läkare kunna diagnostisera rätt och kunna se vilka alternativ som finns om behandlingen inte skulle fungera. Det är tänkt att det ska vara ett hjälpmedel för läkaren och inte en ersättning av läkaren. Man kan se det som en möjlighet till att kunna göra jobbet lättare för läkare och sjukhus personal som kan då lägger ner mer tid på patienten samt att arbetsmiljön kan blir mindre stressamt. Det kan hjälpa till att upptäcka sjukdomar som man inte alls har tänkt på. Man kanske missar ställa en fråga men med hjälp av programmet kan man se vilka frågor som man bör ställa vilket leder till att det blir svårare att missa något med det här programmet. Man kanske skulle kunna göra en liknande program som människor kan använda sig av i sitt eget hem och på så sätt slipper åka in till sjukhuset eller vårdcentralen i onödan. Som i sin ur kan ge tid till att läkarna kan koncentrera sig på fall som verkligen är allvarliga och behöver lösas. Nackdelen kan vara att läkarna tillförlitar sig för mycket på programmet och att programmet blir långsammare ju mer den växer vilket kan leda till att det blir svårare att hitta en lösning till ett problem utan man kommer då kanske få ett flertal lösningar och resultatet är inte pålitligt då. Det kan göra att folk blir skeptiska till programmet och mister tillit på sjukvården. 4 lperlakareattstalladiagnos.5.6aedd9c411589ea69ed html sida 8
10 5 Diskussion 5.1 Vad jag har lärt mig och mina tankar kring case-based resoning Så här mot slutet av arbete kan jag säga att jag har lärt mig mycket om case-based resoning det är intressant hur den härmar människans problemlösningsförmåga inte fullt ut kanske men rätt nära är den. I början var jag skeptisk mot det och det var därför jag blev nyfiken på ämnet för jag ville se om det verkligen skulle funka i verkliga livet. Som det ser ut nu så är den inte riktig redo än men det kommer nog inte dröja mycket förrän man kan använda den inte till vardagen precis men till fall som är kluriga än andra. Och vem vet kanske i framtiden kommer man att få se robotar samarbeta med läkare på sjukhuset. Istället för att prata med läkaren kommer det att vara en robot man får prata med. Ja det här är bara spekulationer men det skulle vara riktig spännande och vara med och se det hända. Det finns mycket om case-based resoning som jag skulle vilja ta upp men tyvärr har jag inte nog med tid för det men det har varit kul att läsa om det CBR. sida 9
11 Referenser Elektroniska källor perlakareattstalladiagnos.5.6aedd9c411589ea69ed html Markus Nilsson, A cased-based approach for classification of physiological Time-Series, Mälaredalen University Licentiate Thesis. No ijun.wang/chapt2.doc+induktive+retrival&hl=sv&gl=se&pid=bl&srcid=adgeesiry4w51rt nbwhxjc8wqfmvjn4hlxakbquv9pauztwfnh2ufow6- bfym_taxrxoviqrrnhoc2hdmcoazl8ergbtuie2295mekejutt0beffbfjrgm6afszejl4aq_3_ltgv1tj&sig=ahietbsuxvkm6d5n0dipinkkadtxd03maq _i_bin%c3%a4rt_s%c3%b6ktr%c3%a4d.png?uselang=sv v&client=firefox-a&hs=l7z&sa=n&rls=org.mozilla:sv- SE:official&biw=1280&bih=681&tbm=isch&tbnid=p- OdkYC3ug4ByM:&imgrefurl= =3rsrnH03KiCjMM&w=752&h=162&ei=CEx3ToyHBc7LtAb1t7isCw&zoom=1 sida 10
Projekt Rapport. RaidPlanner. Jeanette Karlsson UD10
Projekt Rapport RaidPlanner Jeanette Karlsson UD10 Abstrakt: Denna rapport handlar om mitt projekt i kursen Individuellt Mjukvaruutvecklings projekt. Rapporten kommer att ta upp hur jag gått tillväga,
Läs merFallbaserat resonerande
Linköpings Universitet Fallbaserat resonerande Klassifikation av signaler från smarta sensorer Kristina Svahnström 2016-01-08 Innehållsförteckning Inledning... 1 Fallbaserat resonerande... 1 Tillämpning...
Läs merRegisterforskning Oktober 2018, Stockholm City Conference Centre. Möjligheter med Artificiell Intelligens inom registerforskningen
Registerforskning 2018 17 Oktober 2018, Stockholm City Conference Centre Möjligheter med Artificiell Intelligens inom registerforskningen Peter Funk Mälardalens Högskola Vem är Peter Funk? Artificiell
Läs merIntroduktionsmöte Innehåll
Introduktionsmöte Innehåll Introduktion till kursen Kursens mål och innehåll Undervisning Datavetenskap (LTH) Introduktionsmöte ST 2019 1 / 14 EDAA01 Programmeringsteknik - fördjupningskurs Ingen sommarkurs
Läs merFöreläsning 6. Sökträd: AVL-träd, Multi-Way -sökträd, B-träd TDDC70/91: DALG. Innehåll. Innehåll. 1 AVL-träd
Föreläsning 6 Sökträd: AVL-träd, Multi-Wa -sökträd, B-träd DDC7/9: DALG Utskriftsversion av föreläsning i Datastrukturer och algoritmer september omm Färnqvist, IDA, Linköpings universitet 6. Innehåll
Läs merFöreläsning 5 TDDC91,TDDE22,725G97: DALG. Föreläsning i Datastrukturer och algoritmer 18 september 2018
Föreläsning 5 TDDC91,TDDE22,725G97: DALG Föreläsning i Datastrukturer och algoritmer 18 september 2018 Institutionen för datavetenskap Linköpings universitet 5.1 Introduktion find,insert och remove i ett
Läs merDigitalisering av vården
Digitalisering av vården En studie i attityder och känslor bland allmänheten och delar av läkarkåren Martina Garback; martina.garback@kantarsifo.com Charlotte Alverén-Lunden; charlotte.alveren-lunden@kantarsifo.com
Läs merAbstrakta datatyper. Primitiva vektorer. Deklarera en vektor
Abstrakta datatyper 1 Primitiva vektorer Vektorer kan skapas av primitiva datatyper, objektreferenser eller andra vektorer. Vektorer indexeras liksom i C från 0. För att referera en vektor används hakparenteser.
Läs merSvar på medborgarförslag från Anna Tjäder Att landstinget utreder möjligheten att inrätta en specialiserad stressmottagning.
Svar på medborgarförslag från Anna Tjäder Att landstinget utreder möjligheten att inrätta en specialiserad stressmottagning. (LiÖ 2012-2095) Anna Tjäder har inkommit med ett medborgarförslag där hon föreslår
Läs merdoing stuff that nobody
Sjukvård I guess I think about doing stuff that nobody else has done. Lena Dunham Sjukvård 59 Titti Lundgren Sjukvården utvecklas hela tiden med hjälp av teknik. Idag kan människor opereras av robotar
Läs merSV Förenade i mångfalden SV. Ändringsförslag. Beatrix von Storch för EFDD-gruppen
9.2.2017 A8-0005/9 9 Punkt 1a (ny) 1a. Europaparlamentet uppmanar kommissionen att föreslå följande gemensamma unionsdefinitioner: Artificiell intelligens: ett datoriserat system som kan simulera en del
Läs merFöreläsning 7: Klassificering, minsta kvadratproblem, SVD, forts.
Föreläsning 7: Klassificering, minsta kvadratproblem, SVD, forts. Berkant Savas Tillämpad matematik i natur och teknikvetenskap, TNA5 Institutionen för teknik och naturvetenskap Linköpings universitet
Läs merTDDC30. Objektorienterad programmering i Java, datastrukturer och algoritmer. Föreläsning 8 Erik Nilsson, Institutionen för Datavetenskap, LiU
TDDC30 Objektorienterad programmering i Java, datastrukturer och algoritmer. Föreläsning 8 Erik Nilsson, Institutionen för Datavetenskap, LiU På denna föreläsning: Träd Traversering Insättning, borttagning
Läs merLoggbok. Måndag 28/1. Tisdag 5/2
Loggbok Måndag 28/1 Vi hade först tänkt göra ett arbete om tandhygienistens arbetsförhållanden, vi hade då tänkt oss att i en klinisk undersökning för att se hur olika tandhygienister arbetar. Men på Lena
Läs merVentilen. Nytt på IT- fronten. System som kan göra intelligenta saker, såsom att efterlikna mänskligt beteende och tänkande
Ventilen Nytt på IT- fronten System som kan göra intelligenta saker, såsom att efterlikna mänskligt beteende och tänkande https://www.youtube.com/watch?v=nfneoooeqx4 https://www.youtube.com/watch?v=nfneoooeqx4
Läs merKevin Lane Kungliga Tekniska Högskolan Introduktionskurs i Datateknik (II1310) TIEDB0. [NXT Legorobot] [Programmering och felsökning]
[NXT Legorobot] [Programmering och felsökning] Kevin Lane 28/8-12 klane@kth.se Introduktionskurs i datateknik II1310 1 Sammanfattning I denna laboration så fick vi programmera och felsöka en LEGO-robot.
Läs merDEMENS. Demensstadier och symptom. Det finns tre stora stadier av demens.
DEMENS Ordet demens beskriver en uppsättning symptom som kan innebära förlust av intellektuella funktioner (som tänkande, minne och resonemang) som stör en persons dagliga funktion. Det är en grupp av
Läs merFöreläsning 9 Innehåll
Föreläsning 9 Innehåll Träd, speciellt binära träd egenskaper användningsområden implementering Datavetenskap (LTH) Föreläsning 9 HT 2017 1 / 31 Inlämningsuppgiften De föreläsningar som inlämningsuppgiften
Läs merUpplägg. Binära träd. Träd. Binära träd. Binära träd. Antal löv på ett träd. Binära träd (9) Binära sökträd (10.1)
Binära träd Algoritmer och Datastrukturer Markus Saers markus.saers@lingfil.uu.se Upplägg Binära träd (9) Binära sökträd (0.) Träd Många botaniska termer Träd, rot, löv, gren, Trädets rot kan ha ett antal
Läs merHandledare: Mikael Goldmann
2012-02- 23 Jacob Rydh Robert Hedin Sudoku Solver Projektspecifikation Handledare: Mikael Goldmann Introduktion Vi ska studera och utforma olika algoritmer för att lösa Sudoku puzzel. Vi kommer testa olika
Läs merInformationsteknologi Tom Smedsaas 19 augusti 2016
Informationsteknologi Tom Smedsaas 19 augusti 016 VL-träd Definition Ett VL-träd är ett binärt sökträd där det för varje nod gäller att skillnaden i höjd mellan nodens vänster och höger subträd är högst
Läs merWorkshop* Kallelse och underlag till vårdplanering
Workshop* Kallelse och underlag till vårdplanering Delregional arbetsgrupp SVPL (DRAG) 2014-01-20 * arbetsseminarium eller verkstad betonar problemlösning, påtaglig praktisk övning och kräver att deltagarna
Läs merArtificiell Intelligens
Omtentamen Artificiell Intelligens Datum: 2014-02-20 Tid: 14.00 18.00 Ansvarig: Resultat: Hjälpmedel: Gränser: Anders Gidenstam Redovisas inom tre veckor Inga G 8p, VG 12p, Max 16p Notera: Skriv läsbart!
Läs merArbetsterapeut ett framtidsyrke
Arbetsterapeut ett framtidsyrke 1 Arbetsterapeut ett framtidsyrke, 2016 Sveriges Arbetsterapeuter Layout: Gelinda Jonasson Foto: Peter Holgersson Tryck: Exakta Print ISBN: 978-91-87837-25-8 www.arbetsterapeuterna.se
Läs merTentamen Datastrukturer D DAT 036/INN960
Tentamen Datastrukturer D DAT 036/INN960 18 december 2009 Tid: 8.30-12.30 Ansvarig: Peter Dybjer, tel 7721035 eller 405836 Max poäng på tentamen: 60. Betygsgränser, CTH: 3 = 24 p, 4 = 36 p, 5 = 48 p, GU:
Läs merDatastrukturer i kursen. Föreläsning 8 Innehåll. Träd rekursiv definition. Träd
Föreläsning 8 Innehåll Datastrukturer i kursen Träd, speciellt binära träd egenskaper användningsområden implementering Undervisningsmoment: föreläsning 8, övningsuppgifter 8, lab 4 Avsnitt i läroboken:
Läs merFöreläsning 13 Innehåll
Föreläsning 13 Innehåll Prioritetsköer och heapar Prioritetsköer och heapar ADT prioritetskö Heapar Implementering av prioritetskö med heap Klassen PriorityQueue i java.util Programexempel LPT-algoritmen
Läs merTentamen Datastrukturer för D2 DAT 035
Tentamen Datastrukturer för D2 DAT 035 17 december 2005 Tid: 8.30-12.30 Ansvarig: Peter Dybjer, tel 7721035 eller 405836 Max poäng på tentamen: 60. (Bonuspoäng från övningarna tillkommer.) Betygsgränser:
Läs merEDAA01 Programmeringsteknik - fördjupningskurs
EDAA01 Programmeringsteknik - fördjupningskurs Läsperiod lp 1+2 (Ges även lp 3) 7.5 hp anna.axelsson@cs.lth.se sandra.nilsson@cs.lth.se http://cs.lth.se/edaa01ht Förkunskapskrav: Godkänd på obligatoriska
Läs merSökexempel Arbetsterapeuter T3
Sökexempel Arbetsterapeuter T3 En repetition om hur man söker i olika databaser och hur man (i bästa fall) kan få ut den aktuella artikeln i fulltext. Som exempel har vi valt en sökning om arbetsterapi
Läs merADT Prioritetskö. Föreläsning 13 Innehåll. Prioritetskö vs FIFO-kö. Prioritetskö Exempel på användning. Prioritetsköer och heapar
Föreläsning 1 Innehåll ADT Prioritetskö Prioritetsköer och heapar Prioritetsköer och heapar ADT prioritetskö Klassen PriorityQueue i java.util ar Implementering av prioritetskö med heap Sortering med hjälp
Läs mer729G04 - Diskret matematik. Hemuppgift.
729G04 - Diskret matematik. Hemuppgift. 2016-08-31 Instruktioner Dessa uppgifter utgör en del av examinationen i kursen 729G04 Programmering och diskret matematik. Uppgifterna ska utföras individuellt
Läs merOm bemötande och likabehandling inom vården anmälningar till DO. Anna Fritshammar, DO
Om bemötande och likabehandling inom vården anmälningar till DO Anna Fritshammar, DO 2014-03-21 anna.fritshammar@do.se, 08-120 20 766 Anmälningar hälso- och sjukvård 2013 19 1 23 Diskrimineringsgrund saknas
Läs merStarta Här. Jonas. Jag vill tacka dig för ditt förtroende i att köpa impotensprotokollet.
Starta Här Jonas Jag vill tacka dig för ditt förtroende i att köpa impotensprotokollet. Och grattis till att ta detta steg. De flesta män " ger upp" och tillbringar resten av sitt liv med dyra och skadliga
Läs merProjektion av träningsdata på aktuell underrum av dim 1. Föreläsning 7: Klassificering, minsta kvadratproblem, SVD, forts.
Projektion av träningsdata på aktuell underrum av dim Föreläsning : Klassificering, minsta kvadratproblem, SVD, forts. Berkant Savas Tillämpad matematik i natur och teknikvetenskap, TNA Institutionen för
Läs merSeminarium 13 Innehåll
Seminarium 13 Innehåll Prioritetsköer och heapar Prioritetsköer ADTn Klassen PriorityQueue i java.util Implementering med lista Heapar ADTn För implementering av prioritetskö För sortering Efter seminariet
Läs merCheckUp www.explizit.se www.checkup.se
CheckUp Idag utvecklas tekniken i snabb takt och den integreras i våra liv allt mer. Detta gäller lika mycket för hälso- och sjukvården som för vårt arbete eller våra fritidsaktiviteter. E-hälsa är samlingsbegreppet
Läs merStatistisk mönsterigenkänning
Statistisk mönsterigenkänning Jonas Sandström Artificiell intelligens II Linköpings universitet HT 2011 Innehållsförteckning 1. Innehållsförteckning sid 2 2. Inledning sid 3 3. Statistisk mönsterigenkänning
Läs merTryggve. Vård Omvårdnad Prevention Rehabilitering Oberoende av tid och plats. EUROPEAN UNION Structural Funds
Tryggve Vård Omvårdnad Prevention Rehabilitering Oberoende av tid och plats EUROPEAN UNION Structural Funds Tryggve är ett utvecklings- och forskningsprojekt inom området distansöverbryggande teknik för
Läs merH10_Statistik och Vetenskapsteori. Antal deltagare i enkäten: 44 Antal erhållna enkätsvar: 28
H10_Statistik och Vetenskapsteori Antal deltagare i enkäten: 44 Antal erhållna enkätsvar: 28 1. I vilken utsträckning anser du att du uppnått de angivna kursmålen? (5) Stor 13 46,4% (6) Mkt stor 5 17,9%
Läs merOCH FÅ PATIENTEN TILL PARTNER
Fråga PERSONCENTRERAD VÅRD OCH FÅ PATIENTEN TILL PARTNER Mahboubeh Goudarzi samtalar med Göte Nilsson. Relationsbyggandet är viktigt både för vårdpersonalens arbetsglädje och för patienternas tillfrisknande.
Läs merDen elektroniska patientjournalen. Rebecka Janols, doktorand, Uppsala universitet attityder, användbarhet och arbetsmiljö
Den elektroniska patientjournalen attityder, användbarhet och arbetsmiljö Rebecka Janols, doktorand, Uppsala universitet (rebecka.janols@it.uu.se) IT Uppsala Universitet Tre teman Vårdpersonalens attityd
Läs merTentamen TEN1 HI
Tentamen TEN1 HI1029 2015-03-17 Skrivtid: 8.15-13.00 Hjälpmedel: Referensblad (utdelas), papper (tomma), penna Logga in med tentamenskontot ni får av skrivvakten. Det kommer att ta tid att logga in ha
Läs merVet ej/ Ej relevant fördelning 0% 28,6% 57,1% 14,3% 0% antal (0) (2) (4) (1) (0)
Enkätresultat Enkät: Status: Distans: Generell kursenkät KI öppen Datum: 2014-02-03 15:37:03 Grupp: Besvarad av: 7(15) (46%) Deltagare (HT13 1SJ012 Ledarskap, pedagogik och samverkan i sjuksköterskans
Läs merSök artiklar i databaser för Vård- och hälsovetenskap
Sök artiklar i databaser för Vård- och hälsovetenskap Bibliografiska databaser eller referensdatabaser ger hänvisningar (referenser) till artiklar och/eller rapporter och böcker. Ibland innehåller referensen
Läs merFäst patientetikett här. Personlig information om ditt akutbesök på Kungälvs sjukhus
Fäst patientetikett här Personlig information om ditt akutbesök på Kungälvs sjukhus 1 Inskrivning Väntetid Måste omhändertas först 1. När du kom fick du ta en nummerlapp. Detta är viktigt eftersom det
Läs merAtt vårda sin hälsa. i Sverige
Att vårda sin hälsa i Sverige Vården och du Som patient ska du ha inflytande över din vård. Din hälso- och sjukvård ska så långt som möjligt planeras och genomföras med dig. Vissa rättigheter är reglerade
Läs merTDDD92 Artificiell intelligens -- projekt
jonas.kvarnstrom@liu.se 2018 TDDD92 Artificiell intelligens -- projekt Individuella uppgifter UPG2: Individuell skriftlig rapport 2 Vad? Läsa och förstå vetenskaplig litteratur Varför? Framtiden: Inte
Läs merProfil: Medicinsk informatik. Mikael Nyström Institutionen för medicinsk teknik
Profil: Medicinsk informatik Mikael Nyström Institutionen för medicinsk teknik 2 Medicinsk informatik Informationshantering i egen-, hälso- och sjukvården, omsorgen, life science -forskning och -utbildning
Läs merSällsynt övergång. Riksförbundet Sällsynta diagnoser.
Sällsynt övergång Riksförbundet Sällsynta diagnoser www.sallsyntadiagnoser.se/verksamhet/overgangsprojektet/ Steg 1 BREVET Inbjudan till tjänsten som överlämnas av barnläkare till ungdomen Hej! Nu kan
Läs merAnne Persson, Professor anne.persson@his.se
FÖRUTSÄTTNINGAR OCH STRUKTUR FÖR ATT HANTERA KUNSKAP OCH KUNSKAPSUTVECKLING Anne Persson, Professor anne.persson@his.se Bild 1 AGENDA Kunskapsarbete i verksamheter en kort introduktion Hur kan en kunskapsportal
Läs merInlämningsuppgiften. Föreläsning 9 Innehåll. Träd. Datastrukturer i kursen
Föreläsning 9 Innehåll Inlämningsuppgiften De föreläsningar som inlämningsuppgiften bygger på är nu klara. Det är alltså dags att börja arbeta med inlämningsuppgiften. Träd, speciellt binära träd egenskaper
Läs merEtt enkelt OCR-system
P r o j e k t i B i l d a n a l y s Ett enkelt OCR-system av Anders Fredriksson F98 Fredrik Rosqvist F98 Handledare: Magnus Oskarsson Lunds Tekniska Högskola 2001-11-29 - Sida 1 - 1.Inledning Många människor
Läs merFöreläsning 2. AVL-träd, Multi-Way -sökträd, B-träd TDDD71: DALG. Innehåll. Innehåll. 1 Binära sökträd
Föreläsning AVL-träd, Multi-Wa -sökträd, B-träd DDD7: DALG Utskriftsversion av föreläsning i Datastrukturer och algoritmer november 5 omm Färnqvist, IDA, Linköpings universitet. Innehåll Innehåll Binära
Läs merLandstingsstyrelsens förslag till beslut
FÖRSLAG 2006:40 1 (6) Landstingsstyrelsens förslag till beslut Motion 2002:10 av Sunhild Dietrich-Larsson och Roland von Malmborg (mp) om åtgärder för att minska långtidssjukskrivningar Föredragande landstingsråd:
Läs merSam Ansari Nv3a Tensta Gymnasium
Sam Ansari Nv3a Tensta Gymnasium 1 Innehållsförteckning Bakgrund...3 Syfte...3 Metod och Material...3 Resultat...4 Diskussion...12 Slutsats...14 Källförteckning...15 Processrapport...16 2 Bakgrund Hur
Läs merSTYRKEBASERAD. Vilka frågor & lyssnande leder till framgång. stärker människors förmåga att lyckas STYRKEBASERAD
stärker människors förmåga att lyckas Vilka frågor & lyssnande leder till framgång Varför? + veta mer om AI & Styrkebaserade metoder + verktyg + uppleva en FÖDA-process + sätt att formulera frågor för
Läs mer13 Prioritetsköer, heapar
Prioritetsköer, heapar 31 13 Prioritetsköer, heapar U 101. En prioritetskö är en samling element där varje element har en prioritet (som används för att jämföra elementen med). Elementen plockas ut i prioritetsordning
Läs merHur kan nätverkssjukvården möta patienter med stora medicinska behov?
Hur kan nätverkssjukvården möta patienter med stora medicinska behov? Torsdag 16 oktober 2014 Florean Pietsch Verksamhetschef Geriatrik Medicin Södertälje Sjukhus AB 2014-10-15 Din nära specialistvård
Läs merVården i Kina En liten reseberättelse om vår tid i Kina hösten 2014.
Vården i Kina En liten reseberättelse om vår tid i Kina hösten 2014. Vården i Kina skiljer sig på olika sätt från Sveriges sjukvård. Det finns vård som vi inte använder i Sverige och tvärtom. Vi har märkt
Läs merARTIFICIELL INTELLIGENS
ARTIFICIELL INTELLIGENS www..se Så fungerar det Artificiell Intelligens (AI) är intelligens som uppvisas av maskiner. Uttrycket användes för första gången 1955 i ett forskningsförslag med syftet att hitta
Läs merKTH, NADA, Vahid Mosavat. 1. Flervalsfrågor (5p)
KTH, NADA, Vahid Mosavat 2D1343, TENTAMEN I DATALOGI FÖR ELEKTRO Onsdagen den 31 mars 2004 kl 8-13 Maxpoäng: tenta+bonus = 50+7. Betygsgränser: 25 poäng ger trea, 35 ger fyra, 45 ger femma. Otydliga/svårlästa
Läs merRiksförbundet Sällsynta diagnoser - Fokus på vården. Kontakt Novus: Anna Ragnarsson Datum:
Riksförbundet Sällsynta diagnoser - Fokus på vården Kontakt Novus: Anna Ragnarsson Datum: 2017-01-18 1 Kort om genomförandet Webbenkät Medlemmar med en sällsynt diagnos eller som har barn/anhörig med en
Läs merTentamen Datastrukturer D DAT 036/INN960
Tentamen Datastrukturer D DAT 036/INN960 18 december 2009 Tid: 8.30-12.30 Ansvarig: Peter Dybjer, tel 7721035 eller 405836 Max poäng på tentamen: 60. Betygsgränser, CTH: 3 = 24 p, 4 = 36 p, 5 = 48 p, GU:
Läs merAnmälningskod: Lägg uppgifterna i ordning. Skriv uppgiftsnummer (gäller B-delen) och din kod överst i högra hörnet på alla papper
Tentamen Programmeringsteknik II 2018-10-19 Skrivtid: 8:00 13:00 Tänk på följande Skriv läsligt. Använd inte rödpenna. Skriv bara på framsidan av varje papper. Lägg uppgifterna i ordning. Skriv uppgiftsnummer
Läs merPrata om sex. Vi jobbar med PLISSIT. Det vill inte patienterna ALDRIG! Det går inte på min arbetsplats. Det gör nog nån. Gärna! Med vem?
Det vill inte patienterna Vi jobbar med PLISSIT ALDRIG! Det gör nog nån annan Prata om sex Kristina Areskoug Josefsson, PhD, RPT Det går inte på min arbetsplats. Gärna! Måste jag? Varför? Med vem? Hur?
Läs merMattekungen åk 6-9 vers. 1.0
Presentation av programvara våren 2008 Bodil Holmström Anna Holmström Bearbetat av Karolina Höglund Mattekungen åk 6-9 vers. 1.0 Allmänt om programmet Mattekungen är ett undervisningsprogram som produceras
Läs merFäst patientetikett här. Personlig information om ditt akutbesök på Kungälvs sjukhus
Fäst patientetikett här Personlig information om ditt akutbesök på Kungälvs sjukhus 1 Inskrivning 1. När du kom fick du ta en nummerlapp. Detta är viktigt eftersom det är vårt sätt att följa din väntetid
Läs merAkademisering i primärvård - från teori till klinik. Håkan Uvhagen Doktorand, KI, LIME Eva Henriksen Verksamhetschef APC/AVC
Akademisering i primärvård - från teori till klinik Håkan Uvhagen Doktorand, KI, LIME Eva Henriksen Verksamhetschef APC/AVC Därför behövs akademiskt förhållningssätt i primärvården Patientcentrerad vård,
Läs merElevernas uppfattningar om alltmer digitaliserad undervisning
Resultat Elevernas uppfattningar om alltmer digitaliserad undervisning Fråga 1 Mycket inspirerande (6) till mycket tråkigt (1) att arbeta med etologisidan Uppfattas som mycket inspirerande eller inspirerande
Läs merse hela människan Nina vill att vården ska SJÄLEN
SJÄLEN Nina vill att vården ska se hela människan Psoriasis och psoriasisartrit påverkar livet på många olika sätt. Idag är vården ganska bra på att behandla de symtom som rör kroppen, medan den ofta står
Läs merFörändringsbenägenhet ur ett personligt perspektiv
Förändringsbenägenhet ur ett personligt perspektiv Ur rapporten Human Dynamics betydelse för Esthercoacher Om inte mina behov inte blir tillgodosedda och jag inte förstår sammanhanget, då blir jag kanske
Läs merMina beteenden, del 1
STEG 1 AV 5 Mina beteenden, del 1 Det här gör jag för att undvika symtom eller slippa få symtom i vissa jobbiga situationer: Jag går inte till skolan om jag har symtom. Jag är inte med på vissa lektioner
Läs merFrågor och svar om hälso- och sjukvården i Östergötland.
Frågor och svar om hälso- och sjukvården i Östergötland. Frågor och svar om hälso- och sjukvården! Vad tycker ni socialdemokrater är viktigast med sjukvården i framtiden? Vi socialdemokrater i Östergötland
Läs merFörslag till en ny lag Lagen om samverkan vid utskrivning från sluten hälso- och sjukvård
Förslag till en ny lag Lagen om samverkan vid utskrivning från sluten hälso- och sjukvård En samordnad individuell plan vid utskrivning. Version 1.0 Datum 2017-04-01 Framtaget av: Ida Wernered & Viktor
Läs mer3. Toppkvinnor på hög Låt lådan och de två kvinnornas famnar utgöra stackarna L, K1 respektive K2. Från början finns alla kort i L.
KTH, Nada, Erik Forslin 2D1343, LÖSNING TILL TENTAMEN I DATALOGI FÖR ELEKTRO Lördagen den 8 mars 2003 kl 14 19 Maxpoäng tenta+bonus = 50+7. Betygsgränser: 25 poäng ger trea, 35 ger fyra, 45 ger femma.
Läs merPotensens sirap. Jonas. Detta var det exakta recept som gav mig den första erektion som jag pratade om i videon.
Potensens sirap Jonas Detta var det exakta recept som gav mig den första erektion som jag pratade om i videon. Detta är en av de bästa och enklaste receptet som du kan göra för att bli av med impotens.
Läs merRapport från valideringsprojekt Delrapport 2. Tolkningsfel i akutformuläret.
Rapport från valideringsprojekt 2012 2013 Delrapport 2. Tolkningsfel i akutformuläret. 1 BAKGRUND Akutformuläret fylls i av personalen på sjukhuset där patienten vårdats. Det kan vara personer i olika
Läs merHur upplevde eleverna sin Prao?
PRAO2 14 PRAO 217 Hur upplevde eleverna sin Prao? Sammanställning av praoenkäten 217. INNEHÅLLSFÖRTECKNING BAKGRUND OCH INFORMATION 1 NÖJDHET 2 OMHÄNDERTAGANDE PÅ PRAOPLATS 3 SYN PÅ HÄLSO- OCH SJUKVÅRD
Läs merPRIMA PRIMÄRVÅRD! En väl fungerande primärvård för personer med kroniska sjukdomar
PRIMA PRIMÄRVÅRD! En väl fungerande primärvård för personer med kroniska sjukdomar Diskussionsunderlag för patientorganisationer inför möten med vårdcentraler Mål Att skapa en modell för hur patientorganisationer
Läs merTentamen, Algoritmer och datastrukturer
UNDS TEKNISKA ÖGSKOA (6) Institutionen för datavetenskap Tentamen, Algoritmer och datastrukturer 23 8 29, 8. 3. Anvisningar: Denna tentamen består av fem uppgifter. Totalt är skrivningen på 36 poäng och
Läs merForska!Sveriges opinionsundersökning Om allmänhetens och politikernas inställning till medicinsk forskning
Forska!Sveriges opinionsundersökning 06 Om allmänhetens och politikernas inställning till medicinsk forskning Om undersökningen Ämne: Medicinsk forskning Målgrupper Svenska allmänheten 8 år och äldre Politiker:
Läs merPAPPA ÄR UNDERSKÖTERSKA DANIEL LEHTO EN JULIASAGA
PAPPA ÄR UNDERSKÖTERSKA DANIEL LEHTO EN JULIASAGA Daniel Lehto 2011 daniellehto@yahoo.se Till Julia PAPPA ÄR UNDERSKÖTERSKA DANIEL LEHTO Pappa jobbar på ett boende för gamla människor. Det är ett roligt
Läs merADT Prioritetskö. Föreläsning 12 Innehåll. Prioritetskö. Interface för Prioritetskö. Prioritetsköer och heapar
Föreläsning 1 Innehåll Prioritetsköer och heapar Prioritetsköer och heapar ADT prioritetskö Klassen PriorityQueue i java.util Heapar Implementering av prioritetskö med heap Sortering med hjälp av heap
Läs merLösningar till linjära problem med MATLAB
5B1146 - Geometri och algebra Mikrolelektronik, TH ista ösningar till linjära problem med MATAB Av: oel Nilsson, alikzus@home.se atrik osonen, pkosonen@kth.se 26-12-4 roblem 1 Man ska bestämma ett tredjegradspolynom:
Läs merSFAMs remissvar: Framtidens närsjukvård finansiering, styrning och struktur
Sveriges Läkarförbund Avdelningen för politik och profession Att. Susann Asplund Johansson Box 5610 114 86 STOCKHOLM SFAMs remissvar: Framtidens närsjukvård finansiering, styrning och struktur Sammanfattning
Läs merInnehåll. Mina målsättningar. Vad krävs för att nå dit? Obligatoriska uppgifter. Websajten. Datastrukturer och algoritmer
Innehåll Datastrukturer och algoritmer Föreläsning 1! Introduktion och begrepp Kurspresentation! - Målsättning! - Kursutvärdering! - Upplägg! - Översikt! Viktiga begrepp "1 "2 Mina målsättningar Alla ska
Läs merPå Bröstkirurgen: med penna, papper och sax visade en bröstkirurg mig hur man gör en bröstvårta
Reserapport efter utbytesstudier - Sara-Li LÄK T 8 - Liverpool 1. Vilket program läser du på? Läkarprogrammet 2. Vilket universitet, land och stad åkte du till? University of Liverpool, Storbritannien,
Läs merHemuppgift 1, SF1861 Optimeringslära, VT 2017
Hemuppgift 1, SF1861 Optimeringslära, VT 2017 Examinator: Krister Svanberg, tel: 790 7137, krille@math.kth.se. Labassistent: David Ek, daviek@kth.se, Lämnas i Matematiks svarta postlåda (SF) för inlämningsuppgifter,
Läs merHitta k största bland n element. Föreläsning 13 Innehåll. Histogramproblemet
Föreläsning 13 Innehåll Algoritm 1: Sortera Exempel på problem där materialet i kursen används Histogramproblemet Schemaläggning Abstrakta datatyper Datastrukturer Att jämföra objekt Om tentamen Skriftlig
Läs merAtt arrangera en studiecirkel Läkemedel och äldre
Att arrangera en studiecirkel Läkemedel och äldre Förslag till upplägg av en studiecirkel Studiecirkeln är en grupp om minst tre personer med gemensamt intresse för det aktuella ämnet. Cirkelledaren håller
Läs merELEVHJÄLP. Diskussion s. 2 Åsikter s. 3. Superfrågorna s. 15. Fördelar och nackdelar s. 4. Källkritik s. 14. Vi lär av varandra s.
Superfrågorna s. 15 Diskussion s. 2 Åsikter s. 3 Källkritik s. 14 Vi lär av varandra s. 13 ELEVHJÄLP av Carmen Winding Gnosjö Fördelar och nackdelar s. 4 Konsekvenser s. 5 Samband s. 10-12 Likheter och
Läs merHur upplevde eleverna sin Prao?
PRAO20 14 PRAO 2016 Hur upplevde eleverna sin Prao? Sammanställning av praoenkäten 2016. INNEHÅLLSFÖRTECKNING BAKGRUND OCH INFORMATION 1 NÖJDHET 2 OMHÄNDERTAGANDE PÅ PRAOPLATS 3 SYN PÅ HÄLSO- OCH SJUKVÅRD
Läs mer2. Hur tycker du att stämningen i sjuan i stort har förändrats under året glädje, trygghet, gemenskap och kommunikation?
1. Hur tycker du att det har varit att gå i sjuan som helhet? Gör ett omdöme som handlar om rolighetsgraden (hur kul det har varit) och ett omdöme som handlar om hur du upplever ditt lärande (hur mycket
Läs merPATIENTENS VÄG. Dokumentet följer filmen Patientens väg i bild och text Område kommunikation, SUS 1
PATIENTENS VÄG Här beskrivs patientens väg genom sjukskrivningsproseccen. Du får förståelse för Rehabkedjan och kan använda dokumentet som en kom ihåg. Dokumentet följer filmen Patientens väg i bild och
Läs merTAOP33/TEN 2 KOMBINATORISK OPTIMERING GRUNDKURS
Matematiska institutionen Optimeringslära TENTAMEN TAOP/TEN KOMBINATORISK OPTIMERING GRUNDKURS Datum: 1 april 01 Tid: 8.00-1.00 Hjälpmedel: Miniräknare Kurslitteratur: Kaj Holmberg: Optimering Anteckningar
Läs merPodd 3: En svensk kompis
1 Podd 3: En svensk kompis - Vad är en bra kompis, tycker du? - En bra kompis betyder att man kan samarbeta som två kompisar med varandra. Och om en av dem har ett problem kan han ställa sitt problem till
Läs merKUNGLIGA TEKNISKA HÖGSKOLAN. Linefollower. Med LEGO Mindstorms och NXC. Paul Coada 2012-08-29 coada@kth.se Introduktion i datateknik II1310
KUNGLIGA TEKNISKA HÖGSKOLAN Linefollower Med LEGO Mindstorms och NXC Paul Coada 2012-08-29 coada@kth.se Introduktion i datateknik II1310 Sammanfattning Rapporten är för labbmomentet som utförs i introduktionskursen
Läs merSamverkan vid utskrivning från sluten hälso- och sjukvård Vård och omsorg Lidköpings kommun
Samverkan vid utskrivning från sluten hälso- och sjukvård Vård och omsorg Lidköpings kommun Arbetsgrupp start juni 2017 Uppdrag för att se vad kan den nya lagen innebära för kommunen Finns kritiska punkter
Läs merBritt Nilsson van den Berg Studienr:6065 Modul 11
Britt Nilsson van den Berg Studienr:6065 Modul 11 SPANIEN 2012 OM SANTA ELENA CLINIC Santa Elena Clinic är uppriktad 1970. Sjukhuset ligger i Los Alamos, mellan Malaga och Torremolinos. Sedan dess har
Läs mer