блок наполнения и редактирования базы знаний
Блок вывода заключений
5. блок управления
[26]
Основные формализованные структуры медицинского знания в
клинической медицине:
1. сравнительные
Описательные
Процедурные
4. функциональные
[27]
Типы медицинских знаний:
1. знания о заболеваниях
2. знания о налюдениях
3. знания о пациентах
4. знания о причинно-следственных связях
5. знания об экспертных системах
[28]
Стратегии получения медицинских знаний:
1. объяснение
2. приобретение
3. извлечение
4. дополнение
5. формирование
[29]
Приобретение знаний - это:
1. разработка моделей, методов и алгоритмов анализа данных для получения знаний и обучения
2. способ автоматизированного построения базы знаний посредством диалога эксперта и специальной программы
3. живой контакт инженера по знаниям и источника знаний
[30]
Извлечение знаний - это:
1. разработка моделей, методов и алгоритмов анализа данных для получения знаний и обучения
2. способ автоматизированного построения базы знаний посредством диалога эксперта и специальной программы
3. живой контакт инженера по знаниям и источника знаний
[31]
Формирование знаний - это:
1. разработка моделей, методов и алгоритмов анализа данных для получения знаний и обучения
2. способ автоматизированного построения базы знаний посредством диалога эксперта и специальной программы
3. живой контакт инженера по знаниям и источника знаний
№12
[1]
Клинические системы поддержки принятия решений - это
1. Информационные системы
2Сетевые базы данных это
1. метод представления знаний, в основе лежит понятие сети, вершинами которой являются рабочии станции
2. метод представления знаний, в основе лежит понятие сети, вершинами которой являются понятия, соответствующие объектам, событиям, процессам, явлениям, а дугами - отношения между этими понятиями
3. модель простейшей и наиболее привычной формой представления данных в виде таблицы
[2]
Главная особенность клинических систем поддержки принятия решений
1. сетевое программное обеспечение
2. наличие человека-эксперта
3. механизмы поддержки принятия врачебных решений
4. база знаний
[3]
Основные свойства клинических систем поддержки принятия решений
1. Реализация механизмов поддержки принятия решений врача
2. Дистанционный доступ к информации о лечении и обследовании пациентов
3. Использование математических моделей
4. Простота обучения и легкость использования системы
5. Формализация знаний
6. Высокая скорость работы системы
[4]
Эффекты от внедрения клинических систем поддержки принятия решений
1. Повышение безопасности пациентов
2. Повышение качества лечения
3. Использование компьютеров в медицине
4. Рационализация расходов на лечение пациентов
5. Проведение проспективных рандомизированных исследований
[5]
Факторы, приводящие к повышению качества лечения в результате внедрения клинических информационных систем (процесс диагностики)
1. Улучшение организации работы лабораторной службы
2. Улучшение организации работы диагностических кабинетов
3. Использование механизмов поддержки врачебных решений
4. Уменьшение затрат времени персонала на ведение текущей документации
5. Уменьшение затрат времени персонала на составление отчетов и ведение журналов
6. Уменьшение количества ошибок при выполнении назначений
7. Предоставление персоналу доступа к архиву историй болезни
[6]
Факторы, приводящие к повышению качества лечения в результате внедрения клинических информационных систем (процесс лечения(врачи))
1. Приобретение знаний
2. Использование механизмов поддержки врачебных решений
3. Облегчение следованию стандартным протоколам лечения и обследования
4. Уменьшение затрат времени на ведение текущей документации
5. Обеспечение мгновенного доступа к архивным историям болезни
6. Прогнозирование
[7]
Факторы, приводящие к повышению качества лечения в результате внедрения клинических информационных систем (процесс лечения (средний медперсонал))
1. Уменьшение количества ошибок при выполнении назначений
2. Обеспечение мгновенного доступа к архивным историям болезни
3. Уменьшение затрат времени на составление сводок и отчетов, ведение журналов
4. Уменьшение затрат времени на контакты с лабораторно-диагностической службой
[8]
Факторы, приводящие к повышению качества лечения в результате внедрения клинических информационных систем (для администрации)
1. Обеспечение круглосуточной доступности информации по лечению и обследованию пациентов из любой точки больницы и за ее пределами
2. Обеспечение индикации невыполненных работ (консультаций специалистов, обследований, наблюдений дежурных врачей)
3. Уменьшение затрат времени на контакты с лабораторно-диагностической службой
4. Обеспечение возможности анализа архивных историй болезни посредством выполнения произвольных запросов
[9]
Механизмы рационализации расходов на лечение
1. Персонифицированное распределение медикаментов
2. Использование системы управления базами данных
3. Предупреждения о неэффективных сочетаниях назначаемых препаратов
4. Поддержка врачебных решений для уменьшения количества осложнений
5. Поддержка врачебных решений для исключения необоснованных обследований
6. Поддержка врачебных решений для уменьшения среднего срока госпитализации
[10]
Прогнозирование - это (указать все правильные определения)
1. Количественная оценка состояния объекта
2. Вероятное суждение о состоянии какого-либо явления в будущем
3. Специальное научное исследование перспектив развития какого-либо явления
4. Статистическая модель
[11]
Прогнозирование используется для
1. составления математической модели
2. управления состоянием объекта с целью оптимизации принимаемых решений
3. приобретения знаний
4. полноценного общения экспертов и инженеров знаний
[12]
Основные способы прогнозирования
1. Экстраполяция
2. Моделирование
3. Индукция
4. Экспертиза
5. Дедукция
[13]
Основные этапы типовой методики прогнозирования
1. предпрогнозная ориентация
2. создание базы данных
3. прогнозный фон
4. работа с базой знаний
5. исходная модель
6. поисковый прогноз
7. нормативный прогноз
8. оценки степени достоверности и уточнение прогностических моделей
9. выработка рекомендаций для оптимизации решений
[14]
Использование моделей позволяет
1. прогнозировать свойства и дальнейшее поведение реального объекта
2. отображать реальный мир вещей и явлений
3. решать кибернетические задачи
4. вычислять статистические функции
[15]
Модель - это:
1. Искусственно созданный человеком объект любой природы
2. Объект, позволяющий давать новую информацию о прототипе
3. Математическая функция
4. Все перечисленное верно
[16]
Объектами исследования в медицине являются:
1. Живой организм в целом
2. Биологические процессы
3. Отдельные системы организма
Все перечисленное верно
[17]
В медицине используются следующие модели:
1. Биологические
2. Кибернетические
3. Технические
4. Аналоговые
5. Дифференциальные
6. Математические
[18]
К биологическим предметным моделям относятся:
1. Результаты химических экспериментов
2. Лабораторные животные
3. Культуры клеток
4. Изолированные органы
5. Технические устройства
[19]
К аналоговым моделям относятся
1. действие медицинских препаратов на организм
2. физические системы или устройства
3. аппараты, имитирующие работу различных органов
4. культуры клеток
5. лабораторные животные
[20]
К кибернетическим моделям можно отнести
1. устройства, имитирующие информационные процессы прототипа
2. технические устройства, заменяющие органы и системы живого организма
3. методы лечения
4. системы уравнений, описывающих свойства изучаемых объектов
[21]
Математическая модель - это
1. устройства, имитирующие информационные процессы прототипа
2. система уравнений, формул, описывающая свойства прототипа
3. компьютер
4. лабораторные животные
[22]
Преимущества использования моделей в изучении реального мира
1. существенное снижение материальных затрат
2. возможность за короткое время "разыграть" большое число вариантов опыта
3. облегчение решения задач по лечению болезней
4. все перечисленное верно
[23]
Для чего используется моделирование роста популяции микроорганизмов:
1. получения модели воспалительного процесса в организме
2. прогнозирования эпидемической ситуации в регионе
3. изменение числа особей антагонистических видов животных
[24]
Может ли в реальных условиях в ограниченном пространстве происходить неограниченный рост бактерий?
1. Может при условии достаточного количества питательных веществ
2. Не может
3. Может, при условии, что период генерации бактерий очень короткий, а фактор самоотравления очень низкий
[25]
Моделирование роста популяции микроорганизмов позволяет
1. Определить численность и скорость развития популяции патогенных микроорганизмов при воспалительных процессах
2. Определить начальное количество патогенных микроорганизмов
3. Определить скорость погибания популяции микроорганизмов с течением времени
4. Определить период размножения микроорганизмов
[26]
От чего зависит коэффициент альфа (относительная скорость роста численности популяции микроорганизмов)?
1. коэффициент зависит от количества бактерий
2. коэффициент не зависит от вида организмов, т.к. является постоянной величиной в модели
3. коэффициент зависит от вида организмов, а также от состава среды и физических условий где они размножаются
[27]
С чем связана величина коэффициента альфа (относительная скорость размножения микроорганизмов)?
1. Ни с чем не связана
2. Связана с временем моделирования
3. Связана с начальным количеством особей
4. Связана с периодом деления бактерий
5. Здесь нет правильных ответов
[28]
Что такое период генерации в модели роста численности популяции микроорганизмов?
1. Период между началом работы модели и ее остановкой
2. Промежуток времени, за который численность популяции увеличивается втрое
3. Промежуток времени между последовательными делениями микроорганизмов
4. Разница между начальным и конечным количеством бактерий
[29]
Какой вид зависимости характеризует первичное уравнение модели роста численности микробов (без факторов самоотравления)?
1. Линейная зависимость
2. Обратно-пропорциональная зависимость
3. Экспоненциальная зависимость
4. График зависимости представляет собой параболу
[30]
Что препятствует росту бактерий в реальных условиях?
1. Слишком высокий период генерации
2. Истощение запаса питательных веществ
3. Продукты жизнедеятельности организмов
4. Небольшое время моделирования