Background: Myocardial infarction and stroke represent a major public health problem in most developing countries. This study explores genetic predisposition of acute myocardial infarction in the Czech population. Methods and Results: Genome-wide expression study used matched case-control design. Peripheral blood samples of the controls were matched to those of cases based on gender, age, status of diabetes mellitus and smoking status. Six months cardiovascular survival status of the cases was used to identify two distinct subgroups among the cases. Linear models for microarray data were employed to identify differential gene expression. Shrunken centroids technique helped in identifying the subsets of differentially expressed genes with predictive properties in independent samples. Predictive properties were evaluated using bootstrap sampling. Sixty transcripts were found to be both clinically and statistically differentially expressed among the cases not surviving the six months follow-up period relative to controls, while no such transcripts were observed among other surviving cases.The two subgroups of cases exhibited fourteen differentially expressed transcripts. Predictive modeling indicated sixteen out of sixty transcripts to best discriminate between the controls and cases that died during the follow-up period from cardiovascular causes, while for the surviving cases the already non-significant set of transcripts could not be further reduced. Eleven out of fourteen transcripts were found to best discriminate between the two groups of cases using shrunken centroids. Conclusions: The study identified genes associated with excess genetic risk of acute myocardial infarction, including those associated with the six months fatality of the cases.

Objectives: The aim of our work was to implement a prototype of a decision support system which has the form of a web-based classification service. Because the data analysis component of decision support systems often happens to be unsuitable for high-dimensional data, special attention must be paid to the sophisticated selection of the most relevant variables before learning the classification rule. Methods: We implemented a prototype of a diagnostic decision support system called SIR. The system has the ability to select the most relevant variables based on a set of high-dimensional measurements by means of a forward procedure optimizing a decision-making criterion. This allows to learn a reliable classification rule. Results:The implemented prototype was tested on a sample of patients involved in a cardiology study. We used SIR to perform an information extraction from a cardiological clinical study containing both clinical and gene expression data. The classification performance was evaluated by means of a cross validation study. Conclusions: The proposed classification system can be useful for clinicians in primary care to support their decision-making tasks with relevant information extracted from any available clinical study. It is especially suitable for analyzing high-dimensional data, e.g. gene expression measurements.

Objectives: The increasing sensitivity of forensic analysis methods allows to investigate less and less amount of biological samples. For samples of low quality or quantity, there are stochastic events that require intensive statistical analysis.Methods: There are several models how to calculate the probability of a given set of alleles. We have described three of them and compared them to verify their accuracy. Results: The two models proposed in [1] extend so far the most widely used model by the possibility of dropout and peak areas of individual alleles.The first one is incorrect, while the second model highly improves the possibility of DNA mixture analysis. Conclusions: We have shown the inaccuracy of one of the recently proposed models. We have added the possibility of determining the dropout probability into the second model, otherwise this model overestimates the probabilities calculated.

Objectives: The DNA analysis is now accepted by the broad public as a completely standard and faultless procedure but in some circumstances its reliability can decrease substantially. This paper deals with the process of identifying and determining the weight of evidence against the suspect. Main stochastic approaches to identification are shown. Methods: The weight-of-evidence formula was derived from Bayes theorem and its application in the model of the island problem was demonstrated. The beta-binomial formula derived from Dirichlet distribution was used for calculation of more complex situations. Results: From many various complications in the model of the island problem there was shown how to work with uncertainty in a population size. The beta-binomial formula was used to include a subpopulation structure and in issues of DNA mixtures. Conclusions: In particular, the influence of a population structure is now explored insufficiently. Using the results of H. Kubátová in this area, a new formula was derived. Mgr. Dalibor Slovák

Mezinárodní statistická klasifikace nemocí a přidružených zdra-votních problémů, dále jen MKN, (v originále International Sta-tistical Classification of Diseases and Related Health Problems) je publikace spravovaná Světovou zdravotnickou organizací (WHO), která kodifikuje systém označování a klasifikace lidských onemocnění, poruch, zdravotních problémů a dalších příznaků, situací či okolností. Původně vznikla publikace v roce 1893 jako Klasifikace příčin úmrtí a jejím cílem bylo umožnit mezinárodní srovnání záznamů o úmrtích. WHO převzala odpovědnost za klasifika-ci roku 1948 a počínaje šestou revizí klasifikace, o níž jednala v roce 1949 konference v Paříži, započala přeměna klasifikace v univerzální seznam diagnóz. Klasifikace se postupně stala vše-strannou pomůckou např. pro řízení zdravotní politiky nebo při vykazování péče zdravotním pojišťovnám a obdobným plateb-ním systémům. 43. plenární zasedání Světového zdravotnické-ho shromáždění WHO se usneslo přijmout MKN ve znění desáté decenální revize s novým názvem „Mezinárodní statistická klasifikace nemocí a přidružených zdravotních problémů“ (MKN-10) s účinností od 1. 1. 1993. V České republice probíhaly přípravy na použití MKN-10 ve spolupráci s řadou odborníků, včetně zástupců českých odborných společností, a klasifikace nabyla platnosti od roku 1994. V roce 2004 vydala WHO druhé aktualizované vydání MKN-10, na jehož základě vznikla druhá aktualizovaná verze českého vydání MKN-10, v roce 2016 pak vydala zatím poslední vydání, ze kterého vychází i aktualizova-ná verze překladu MKN-10 pro rok 2018.Přepracované verze klasifikace vycházejí zhruba s desetile-tou frekvencí a odlišují se číslem uváděným za zkratkou MKN (například MKN-9, MKN-8 apod.). Pro nynější desátou revizi byl schválen aktualizační proces, který prodloužil její platnost da-lece za obvyklých deset let. Od roku 1996 jsou Světovou zdra-votnickou organizací vydávány pravidelné roční aktualizace, přičemž změny s větším dopadem (přidání či zrušení kódu, pře-sun položky apod.) vycházejí jen jednou za tři roky (naposledy v roce 2016). V České republice bylo poslední tištěné vydání MKN-10 publikováno v roce 2008, neobsahovalo však Instrukční příručku, která byla publikována naposledy v roce 1996. Násled-né aktualizace v letech 2012, 2013, 2014 a 2017 byly zveřejněny pouze v elektronické podobě. K 1. 1. 2018 vstoupila v ČR v platnost nová verze MKN-10, ve které došlo k rozsáhlým změnám ve všech třech svazcích. Tato verze obsahuje nejen aktualizace provedené na úrovni WHO v letech 2015–2017, ale také změny aplikované Ústavem zdra-votnických informací a statistiky ČR (ÚZIS ČR). Vzhledem k tomu, že MKN-10 se snaží zachytit jazyk moderní medicíny a zároveň ho i zpětně ovlivňuje, musí být jejím smyslem i jazyková kulti-vace. Ze strany ÚZIS ČR proto došlo nejen k opravě pravopis-ných, typografických a stylistických chyb, ale také k částečnému terminologickému sjednocení. Publikace je dostupná jak v tiš-těné, tak elektronické podobě. Veškeré elektronické podklady jsou k dispozici na webové stránce http://www.uzis.cz/katalog/klasifikace/mkn.