Test provjere znanja
„Pametni alati“ u suvremenom medicinsko-biokemijskom laboratoriju

02. ožujka 2024.


Obavezno je odgovoriti na sva postavljena pitanja (samo jedan odgovor je točan).


 

    Polaznik

    ID broj

    E-mail


    TEST

    1. Što se ne ubraja u predanalitičke procesne jedinice na sustavu potpune laboratorijske automatizacije?

    a) Jedinica za ulaz uzoraka

    b) Integrirane centrifuge

    c) Jedinica za začepljivanje epruveta

    d) Jedinica za odčepljivanje epruveta

    abcd


    2. Tehnička verifikacija TLA sustava ne obuhvaća:

    a) Instalacijsku provjeru

    b) Provjeru izvođenja operativnih radnji

    c) Analitičku verifikaciju

    d) Provjeru radnog učinka

    abcd


    3. Što nije dio uspostave analitičkog dijela TLA sustava?

    a) Definiranje postavki centrifuga

    b) Definiranje raspodjele pretraga po analizatorima

    c) Instalacija aplikacija za izvođenje pretraga

    d) Verifikacija ili validacija testova

    abcd


    4. Točno je:

    a) Pomak nije mjera sustavne pogreške

    b) Trend je mjera slučajne pogreške

    c) I pomak i trend su mjere slučajne pogreške

    d) I pomak i trend su mjere sustavne pogreške

    abcd


    5. Za plan UKK temeljen na rizicima točno je:

    a) Nije specifičan za laboratorij

    b) Omogućava potpuno uklanjanje rizika štetnog utjecaja za pacijenta

    c) Nije potrebno pratiti njegovu učinkovitost

    d) Razvoj plana započinje detaljnom analizom uputa proizvođača, kliničke primjene i zahtjeva struke

    abcd


    6. Vjerojatnost štetnog događaja može se procjeniti na temelju:

    a) Konzultacija sa kliničarima

    b) Medicinske literature

    c) Obavijesti regulatornih tijela

    d) Zapisa o održavanju uređaja i servisnim intervencijama

    abcd


    7. Utjecaj štetnog događaja može se procjeniti na temelju:

    a) Zapisa o verifikaciji/validaciji metode

    b) Konzultacija s kliničarima

    c) Zapisa o uvjetima smještaja i okoliša

    d) Zapisima o rezultatima UKK i VPK

    abcd


    8. Točno je:

    a) Međuprogram može zamijeniti LIS

    b) Međuprogram jednosmjerno komunicira s BIS-om

    c) Međuprogram jednosmjerno komunicira s LIS-om

    d) Međuprogram jednosmjerno komunicira s analizatorom

    abcd


    9. Netočno je:

    a) Međuprogram povećava fleksibilnost modularnih analitičkih sustava

    b) Međuprogram smanjuje kvalitetu laboratorijskog procesa i produktivnost

    c) U početnoj fazi korištenja međuprograma povećava se obim poslova laboratorijskog osoblja

    d) Uvođenje međuprograma iziskuje dodatna financijska sredstva

    abcd


    10. U kojoj točki norme ISO 15189:2022 su sadržani zahtjevi vezani uz prijam uzoraka?

    a) 5.4.

    b) 7.2.

    c) 6.2.

    d) 8.5.

    abcd


    11. Dio integrirane čekaonica nije:

    a) Jedinica za odčepljivanje uzoraka

    b) Redomat

    c) Sustav za audio-vizualno povezivanje

    d) Uređaj za evidentiranje uzimanja uzoraka

    abcd


    12. Prednosti uvođenja integrirane čekaonice su:

    a) poboljšanje produktivnosti u čekaonici i smanjenje stresa pacijenata i laboratorijskog osoblja

    b) upravljanje prioritetima vađenja i poštivanje privatnosti pacijenata

    c) ušteda papira

    d) svi odgovori su točni

    abcd


    13. Dio sustava za automatiziranu dostavu uzoraka nije:

    a) Jedinica za slanje i prijam uzoraka

    b) Pisač crtičnog koda

    c) Generator zraka

    d) Cijev

    abcd


    14. Koju vrstu spremnika je moguće koristiti u svim izvedbama sustava za automatiziranu dostavu uzoraka?

    a) Mikrospremnik

    b) Kapilara

    c) Čašica

    d) Spremnik s podtlakom

    abcd


    15. Koja se vrsta strojnog učenja najčešće primjenjuje u laboratorijskoj medicini?

    a) nenadzirano strojno učenje

    b) podržano strojno učenje

    c) nadzirano strojno učenje

    d) ništa od navedenog

    abcd


    16. Što od navedenog nije metoda nadziranog strojnog učenja?

    a) Regresija

    b) Feature engineering

    c) K-nearest neighbor

    d) Random forest

    abcd


    17. Podaci za strojno učenje ne dijele se u podskup za:

    a) testiranje

    b) optimizaciju

    c) validaciju

    d) treniranje

    abcd


    18. Zahtjevi vezani uz verifikaciju računalnih informacijskih sustava sadržani su u normi ISO 15189:2022 točci:

    a) 5.4.

    b) 5.10.

    c) 6.2.

    d) 7.6.

    abcd


    19. Za predikciju ciroze jetre iz laboratorijskih podataka koristit će se koji model strojnog učenja?

    a) regresija

    b) korelacija

    c) nenadzirano učenje

    d) klasifikacija

    abcd


    20. Za predikciju koncentracije LDL-a iz koncentracija triglicerida, ukupnog kolesterola i HDL-a koristit će se koji model strojnog učenja?

    a) regresija

    b) korelacija

    c) nenadzirano učenje

    d) klasifikacija

    abcd


    21. Prednosti PBRTQC-a (engl. patient based real time quality control) su:

    a) nema problem s komutabilnosti uzorka

    b) nema dodatnih troškova reagensa i materijala

    c) omogućava kontinuirano praćenje stabilnosti analitičkog sustava

    d) svi odgovori su točni

    abcd


    22. Na srednju vrijednost ukupnog kalcija neće utjecati:

    a) pacijenti s plućnih odjela

    b) sustavni analitički ispad

    c) pacijenti s intenzivnih jedinica

    d) pacijenti s hitnog prijema

    abcd


    23. Za pravilnu konfiguraciju MAQC-a (engl. moving average quality control) nije uvijek potrebno definirati:

    a) blok rezultata

    b) filtriranje rezultata/skupine pacijenata koji ne ulaze u izračun

    c) limite kontrole iznad kojih se generira alarm

    d) svi odgovori su točni

    abcd


    24. Kao algoritam izračuna srednje vrijednosti ne koristi se:

    a) EWMA

    b) medijan

    c) ANPed

    d) Bull-ov algoritam

    abcd


    25. MAQC koji se računa na premalom bloku rezultata rezultirati će:

    a) potrebom korištenja uskih limita kontrole

    b) učestalim alarmima

    c) kasnijim otkrivanjem velikog odstupanja

    d) pravovremenom otkrivanju malog odstupanja

    abcd


    26. MAQC je prikladna za praćenje pretraga:

    a) s niskom sigma vrijednosti

    b) s visokom intraindividualnom varijacijom

    c) s visokom sigma vrijednosti

    d) s malim brojem testova u danu

    abcd


    27. Verifikacija konfiguracije korištenog PBRTQC algoritma može se provesti:

    a) brojanjem lažno pozitivnih alarma u određenom periodu

    b) određivanjem srednjeg broja rezultata zahvaćenih sustavnim odstupanjem

    c) korištenjem krivulja detekcije odstupanja

    d) svi odgovori su točni

    abcd


    28. Optimizacija hiperparametara algoritma za strojno učenje omogućuje:

    a) kontrolu algoritma kako bi se dobila kombinacija hiperparametara koja daje najbolje rezultate

    b) odabir najprikladnijeg algoritma

    c) korištenje dubokih neuronskih mreža

    d) svi odgovori su točni

    abcd


    29. Točnost algoritma za strojno učenje je:

    a) najpouzdanija mjera uspješnosti strojnog učenja

    b) uvijek visoka

    c) neadekvatna mjera za procjenu uspješnosti strojnog učenja u slučaju neravnomjerne raspodjele ciljnih varijabli

    d) mjera koja se koristi za interpretaciju doprinosa pojedinih varijabli modelu strojnog učenja

    abcd


    30. SHAP vrijednosti:

    a) mogu se koristiti za interpretaciju modela strojnog učenja

    b) promatraju utjecaj svake varijable neovisno

    c) točni su odgovori a + b

    d) nema točnog odgovora

    abcd







    Nakon uspješno poslanog testa pojavit će se obavijest, a putem e-maila primit ćete potvrdu i kopiju svojih odgovora. U suprotnom provjerite jeste li odgovorili na sva pitanja i ponovno pošaljite test ili kontaktirajte ured Komore.

    Novine 19 / prosinac 2019.

    Novine 18 / veljača 2010.

    Novine 17 / srpanj 2008.

    Novine 16 / srpanj 2007.

    Novine 15 / siječanj 2007.

    Novine 14 / svibanj 2005.

    Novine 13 / siječanj 2005.

    Novine 12 / travanj 2004.

    Novine 11 / rujan 2003.

    Novine 10 / prosinac 2002.

    Novine 9 / studeni 2002.

    Novine 8 / svibanj 2001.

    Novine 7 / listopad 2000.

    Novine 6 / travanj 2000.

    Novine 5 / prosinac 1999.

    Novine 4 / lipanj 1999.

    Novine 3 / svibanj 1998.

    Novine 2 / studeni 1997.

    Novine 1 / srpanj 1997.

    PLAN TEČAJEVA TRAJNOG USAVRŠAVANJA ZA 2024.

    „Pametni alati“ u suvremenom medicinsko-biokemijskom laboratoriju

    Dijagnostičke primjene spektrometrije masa

    Osnove laboratorijske hematologije

    Sekvenciranje sljedeće generacije u prevenciji i terapiji zloćudnih bolesti

    I. Područno vijeće

    1. Grad Zagreb

    II. Područno vijeće

    1. Županija Krapinsko-Zagorska

    2. Županija Sisačko-Moslavačka

    3. Županija Karlovačka

    4. Županija Bjelovarsko-Bilogorska

    5. Županija Zagrebačka

    III. Područno vijeće

    1. Županija Varaždinska

    2. Županija Koprivničko-Križevačka

    3. Županija Međimurska

    IV. Područno vijeće

    1. Županija Virovitičko-Podravska

    2. Županija Požeško-Slavonska

    3. Županija Brodsko-Posavska

    4. Županija Osječko-Baranjska

    5. Županija Vukovarsko-Srijemska

    V. Područno vijeće

    1. Županija Zadarska

    2. Županija Šibensko-Kninska

    3. Županija Splitsko-Dalmatinska

    4. Županija Dubrovačko-Neretvanska

    VI. Područno vijeće

    1. Županija Primorsko-Goranska

    2. Županija Ličko-Senjska

    3. Županija Istarska

    Skip to content