سیستم کارشناسی حمایت کننده از یک پیش بینی زود هنگام دیسپیلاری برونشیت ریوی

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

سیستم کارشناسی حمایت کننده از یک پیش بینی زود هنگام دیسپیلاری برونشیت ریوی

عنوان لاتین

Expert system supporting an early prediction of the bronchopulmonary dysplasia

این کار یک سیستم تصمیم گیرنده حامی را ارائه می دهد که ماشین یادگیری برای حمایت از پش بینی زود هنگام دیسپیلاری برونشیت ریوی (BPD) برای نوزادان زودرس بعد از اولین هفته عمرشان به کار می گیرد. به همین منظور یک پایگاه داده ایی علمی بوجود آمده که مبتنی بر تاریخچه ایی از داده هاست که مشمول داده های مربوط به 109 بیمار است با که با وزن تولد کمتر یا بیشتر یا برابر با 1500 گرم هستند. هسته اصلی این پایگاه داده ایی مشمول حمایت از یک ماشین برداری و نتایج طبقه بندی شده رگرسیون منطقی محاسبه شده ای ست که مخصوص این سیستم می باشد با مشاهده 14 فاکتور تلفیقی مختلف بدست آمده است. بر مبنای نتایج بدست آمده و نیاز کاربران ، سیستم بهترین روش و مناسب ترین پارامتر زیر چیدمانی را در میان مواردی که اخیرا قابل دسترسی کاربران بوده ارائه می دهد. برنامه ایی نیز برای محاسبه و تخمین دقت، حساسیت و ویژگی توام با انحرافات استاندارد دیگرشان قابل دسترس هست.به کاربرد همچنین اطلاعاتی ارائه می شود که با پارامتر اضافی که ارزش افزودن به سیستم اندازه گیری را دارد آنچه که برای کارآیی بیشتر یک پیش بینی لازم است و یک هدف را در نظر دارد. BPD می تواند به واسطه ی سیستمی با دقت بالای 25/83 % در بهترین مورد سوژه پیش بینی شود، یعنی بالاتر از تمام مدل هایی که در نوشته ها ارائه شده اند. این کار یک چیدمانی را از مثال ها ارائه می دهد که مشکلات را در بدست آوردن یک مدل واحد که می تواند به طور گسترده مورد استفاده قرار گیرد، نشان می دهد، و به دنبال آن شرح می دهد که چرا یک سیستم کارشناسی ارائه شده می تواند برای کارهای روزمره بالینی و کلینیکی کارایی مناسب را داشته باشد. علاوه بر این کار در مورد عمده پارامتر هایی بحث می کند که به کار گرفته شده و برروی تاثیرات انتخاب یک روشی بحث می کند که بسیار حساس و ویژه است

This work presents a decision support system which uses machine learning to support early prediction of bronchopulmonary dysplasia (BPD) for extremely premature infants after their first week of life. For that purpose a knowledge database was created based on the historical data gathered including data on 109 patients with birth weight less than or equal to 1500 g. The core of the database consists of support vector machine and logit regression classification results calculated specifically for that system, and obtained by considering 214 different combinations of 14 risk factors. Based on the results obtained and user demands, the system recommends the best methods and the most suitable parameter subset among those currently available to the user. The program is also able to estimate the accuracy, sensitivity and specificity together with their standard deviations. The user is also given information on which addi-tional parameter it is worth adding to his measurement system most and what an increase in prediction efficiency it is expected to trigger. The BPD can be predicted by the system with the accuracy reaching up to 83.25% in the best-case scenario, i.e. higher than for most of the models presented in the literature. This work presents a set of examples illustrating the difficulties in obtaining one single model that can be widely used, and thus explaining why an expert system approach is much more useful in day-to-day clinical practice. In addition, the work discusses the significance of the parameters used and the impact of a chosen method on the sensitivity and specificity