S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 1 Sovelluksia Kerttu-Liisa Kilpijoki

S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 2 Sisällys 1.Sovellusalat 2.Bayesverkot lääketieteessä 3.Tapaus 1: Triage 4.Tapaus 2: Neuse joen rehevöityminen 5.Kritiikkiä ja kommentteja 6.Yhteenveto 7.Lähteet 8.Kotitehtävä

S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 3 Sovellusaloja •Tiedon analysointi (Data mining) –Tilastollisesta esimerkkiaineistosta yleisesti tulkittava malli –Ongelmakentän ominaisuudet –DNA-sekvenssien analysointi, tähtikartastot •Vikadiagnostiikka –MS: apuväline tietokoneen käyttäjälle ongelmatilanteissa –Intel: laaduntarkkailu prosessoripiirien valmistusprosessissa •Älykkäät agentit –Helpottaa sovellusten käyttöä tarjoamalla aktiivisesti apua –Esim. Office Assistant

S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 4 Sovellusaloja •Avaruustutkimus –NASA edelläkävijä –Ulkoavaruuden tutkimuksessa prioritodennäköisyydet tai odotusarvot tuntemattomia –Verkon potentiaalisysteemit saadun datan perusteella → epäsuora verkko → muiden datajoukkojen rinnastus → uusien teorioiden ja hypoteesien testaus •Prosessikontrolli –VISTA-järjestelmä avaruussukkuloiden lennoilla –Vikatilanteet ja korjausehdotukset –Näytöillä vain tärkeimmät mittaustulokset •Kuvankäsittely –Ei Bayesverkkosovellus, mutta perustuu bayesilaisen mallinnuksen periaatteisiin –Superresoluutiokuvat (NASA)

S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 5 Bayesverkot lääketieteessä •Eräs ensimmäisistä sovelluksista IntelliPath –Rintasyövän diagnosointi –Potilaiden riskianalyysi •Diagnosointi, hoidon vaikutus •Optimaalinen hoito → tehokkuus •Miksi Bayes? –Epävarmuus: diagnoosi, puuttuva tieto –Evidenssin lisäys –Malli mittausdatan/kirjallisuuden pohjalta •Dynaamiset aikamallit –Epidemioiden riskimallit –elinajanennusteet

S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 6 Triage •Apuväline lääketieteelliseen päätöksentekoon •Tavoitteena potilaiden oikea ja tehokas hoito –Diagnoosi –Potilaiden priorisointi tilan vakavuuden perusteella –Sijoitus (hoitoyksikkö) → hoitoviiveen minimointi •Verkon toiminta: 1)Pääoireet: prioritodennäköisyydet, ryhmittely 2)Esikysymykset 3)Kyselytutkimus → oireiden päivitys 4)Lista diagnooseista 5)Iterointi: ketju toistetaan alusta, kunnes päästään yhteen tai kahteen diagnoosiin •Hyötysolmu –Sakkofunktio (kulut, hoitamattomuuden seuraukset jne.) –Hoitopäätös ehdolla diagnoosi=tosi

S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 7

S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 8 Neuse-joen rehevöityminen (1/3) •Simulointiohjelmilla vaikeaselkoisia tuloksia •Halutaan tietoa kiinnostavista muuttujista → linkkaus typpeen (pääsyy rehevöitymiseen) •Kausaalisuhteet näkyviin •Apu päätöksentekoon, tietoa joen tilasta •Verkon koko: muuttujille kriteerit –Kontrolloitavuus/ennustettavuus/hallittavuus

S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 9 Neuse-joen rehevöityminen (2/3) Kalakannan kunto Äyriäisten elinkyky Siimaeliöt Joen typpipitoisuus Nääntymisen kesto Ristituulet Levän tiheys Hiilen tuotto Sedimentin hapentarve Hapen konsentraatio Kalakuolemat Hypoksian kesto Joen virtaama Veden lämpötila -15% -11% -50%

S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 10 Neuse-joen rehevöityminen (3/3) •Tulokset todennäköisyysjakaumina •Tilat a) ei muutosta ja b) typpeä 50 % vähemmän •Muutokset pieniä –Mitä enemmän muuttujia välissä, sen pienempi vaikutus •Ei varsinaista uutta tietoa, mutta hyvä kuva ekosysteemin toiminnasta: mikä vaikuttaa mihin

S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 11 Kritiikkiä ja kommentteja •Priorijakaumien määritys •Ei toimi, jos ongelmaan liittyy paljon epävarmuutta •Toimii päättelyketjun ja annettujen todennäköisyyksien mukaan → odottamattomia tilanteita ei pystytä käsittelemään –Office Assistant –Automaattinen ohjaus •Suurissa verkoissa laskennallinen vaikeus –Algoritmien jumiutuminen •Hyvä ongelman hahmotuksessa –Kausaalisuhteet •Ei ehdotonta oikeaa ratkaisua, kuitenkin hyvä apuväline

S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 12 Yhteenveto •Bayesverkoilla paljon sovelluksia –Tietokoneen käyttöjärjestelmissä –Avaruustutkimuksessa –Lääketieteessä •Mallit mittausdatan tai esitiedon pohjalta •Diagnoosit, ennustus, tuotantokontrolli

S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 13 Lähteet •Johdatus Bayesverkkoihin ja sovelluksiin •Bayesilaiset mallit lääketieteessä •Hugin •P. Myllymäki, H. Tirri: Bayesverkkojen mahdollisuudet, Teknologiakatsaus 58/98, TEKES 1998 •M.E. Borsuk et al., A Bayesian network of eutrophication models for synthesis, prediation and uncertainty analysis, Ecological Modelling 173 (2004)

S ysteemianalyysin Laboratorio Teknillinen korkeakoulu Esitelmä 26 – Kerttu-Liisa Kilpijoki Optimointiopin seminaari - Syksy 2005 / 14 Kotitehtävä •Esittele lyhyesti Lumiere-projekti ja jokin muu sovellus –Tekstiä max yksi A4