تطوير التعلم الآلي المختلط في تصنيف تشخيص المرضى باستخدام نموذج ) XRP  الاستخراج والاختزال والتنبؤ(

المؤلفون

  • هيندرا نوسا بوترا قسم السجلات الطبية، ستيكس دارما لاندبو، بادانج، إندونيسيا. https://orcid.org/0000-0001-8280-2477
  • سارجون ديفيت قسم تكنولوجيا المعلومات ،كلية علوم الحاسب، UPI YPTK، بادانج، إندونيسيا.
  • جونادي ويدي نوركاهيو قسم تكنولوجيا المعلومات ،كلية علوم الحاسب، UPI YPTK، بادانج، إندونيسيا.

DOI:

https://doi.org/10.21123/bsj.2024.9695

الكلمات المفتاحية:

التنبؤ بالمرض، تقليل الميزات، اختيار الميزات، التعلم الآلي، السجل الطبي.

الملخص

تستكشف هذه الدراسة، التي أجريت على مدار ستة أشهر في أحد المستشفيات الإندونيسية، فوائد توحيد بيانات السجلات الطبية وتكامل أنظمة المعلومات الصحية لتقديم الرعاية الصحية  باستخدام نهج البحث الكمي، فإنه يركز على تأثير استخراج البيانات الدقيقة على تحليل البيانات ومزايا النظام المتكامل للوصول إلى سجلات المرضى. تم استخدام طرق متقدمة لاستخراج البيانات لاستخراج الميزات واختيارها وتقليل مجموعة البيانات لتعزيز دقة تصنيف البيانات. وكشفت النتائج عن وجود علاقة مباشرة بين دقة استخراج البيانات وموثوقية تصنيف البيانات، مما يسلط الضوء على الدور الهام للحد من مجموعة البيانات في تحسين دقة التحليل. كان إدخال نموذج XRP، وهو أداة تنبؤية جديدة لتقييم احتمالية الإصابة بالأمراض، بمثابة تقدم ملحوظ، حيث أظهر معدلات دقة عالية في التنبؤ بمرض السكري وأمراض القلب (96.8% و88% على التوالي). يؤكد الأداء المتسق للنموذج عبر سيناريوهات النتائج المختلفة على إمكاناته في اتخاذ القرارات في مجال الرعاية الصحية. يوضح هذا البحث قيمة التنقيب المتقدم في البيانات وتقليل مجموعة البيانات في تحسين تصنيف البيانات، وبالتالي تسهيل اتخاذ قرارات أفضل في مجال الرعاية الصحية. يشير نجاح نموذج XRP في التنبؤ بالأمراض إلى فوائد كبيرة لخدمات الرعاية الصحية، حيث يقدم رؤى حاسمة لتطوير وتحسين أنظمة المعلومات الصحية. هذه النتائج لديها القدرة على التأثير على سياسة وممارسات الرعاية الصحية، والدعوة إلى معيار جديد في إدارة بيانات الرعاية الصحية.

المراجع

Basil NN, Ambe S, Ekhator C, Fonkem E. Health records database and inherent security concerns: A review of the literature. Cureus. 2022; 14(10): e30168. https://doi.org/10.7759/cureus.30168

Farooqui ME, Ahmad DJ. A detailed review on disease prediction models that uses machine learning. Int J Innov Res Comput Sci Technol. 2020; 8(4): 326-330. https://doi.org/10.21276/ijircst.2020.8.4.14

Joseph N, Lindblad I, Zaker S, Elfversson S, Albinzon M, Hantler L, et al. Automated data extraction of electronic medical records: Validity of data mining to construct research databases for eligibility in gastroenterological clinical trials. Ups J Med Sci. 2022; 127(1). https://doi.org/10.48101/ujms.v127.8260

Alanazi R. Identification and prediction of chronic diseases using machine learning approach. J Healthc Eng. 2022; 2826127. https://doi.org/10.1155/2022/2826127

Ghaffar Nia N, Kaplanoglu E, Nasab A. Evaluation of artificial intelligence techniques in disease diagnosis and prediction. Discov Artif Intell. 2023; 3: 5. https://doi.org/10.1007/s44163-023-00049-5

Qu K, Wang L. Research on visual data mining technology. J Phys Conf Ser. 2021; 1748(3). https://doi.org/10.1088/1742-6596/1748/3/032056

Miao C, An TS. Application of data mining techniques on tourist expenses in Malaysia. Baghdad Sci J. 2021; 18: 737-745. https://doi.org/10.21123/bsj.2021.18.1(Suppl.).0737

Mahmood RAR, Abdi AH, Hussin M. Performance evaluation of intrusion detection system using selected features and machine learning classifiers. Baghdad Sci J. 2021; 18: 884-898. https://doi.org/10.21123/bsj.2021.18.2(Suppl.).0884

Sameer S, Behadili SF. Data mining techniques for Iraqi biochemical dataset analysis. Baghdad Sci J. 2022; 19(2): 385-398. https://doi.org/10.21123/bsj.2022.19.2.0385

Morales A, Villalobos FJ. Using machine learning for crop yield prediction in the past or the future. Front Plant Sci. 2023; 14: 1-13. https://doi.org/10.3389/fpls.2023.1128388

Hu F, Situo Z, Xubin L, Liu W, Niandong L, Yanqi S, et al. Network traffic classification model based on attention mechanism and spatiotemporal features. Eurasip J Inf Secur. 2023; 1: 6. https://doi.org/10.1186/s13635-023-00141-4

Julian A, Deepika R, Geetha B, Sweety VJ. Heart disease prediction using machine learning. In: Artificial Intelligence, Blockchain and Computing Security. 2023; 2: 248-253. https://doi.org/10.1201/9781032684994-38

Bashir S. Improving heart disease prediction using feature selection approaches. In: Proceedings of the 2019 16th International Bhurban Conference on Applied Sciences and Technology (IBCAST). 2019; 619-623. https://doi.org/10.1109/IBCAST.2019.8667106

Hoque S, Khatun SS, Khurshid AB, Peal MD, Salam KMA. Prediction of heart disease using machine learning. In: 2022 International Conference on Recent Trends in Microelectronics, Automation, Computing and Communications Systems (ICMACC). 2022; 471–476. https://doi.org/10.1109/ICMACC54824.2022.10093246

Zeniarja J, Ukhifahdhina A, Salam A. Diagnosis of heart disease using K-nearest neighbor method based on forward selection. J Appl Intell Syst. 2020; 4(2): 39–47. https://doi.org/10.33633/jais.v4i2.2749

Pemmaraju AG, Asish A, Das S. Heart disease prediction using feature selection and machine learning techniques. In: 2022 International Conference on Machine Learning, Computer Systems and Security (MLCSS). 2022; 28–33. https://doi.org/10.1109/MLCSS57186.2022.00014

Pious IK, Antony Kumar K, Soulwin YC, Reddy EN. Heart disease prediction using machine learning algorithms. In: 2022 International Conference on Innovative Computing. Intelligent Communication and Smart Electrical Systems (ICSES). 2022; 1–6. https://doi.org/10.1109/ICSES55317.2022.9914207

Modak S, Abdel-Raheem A, Rueda E. "Heart Disease Prediction Using Adaptive Infinite Feature Selection and Deep Neural Networks," 2022 International Conference on Artificial Intelligence in Information and Communication (ICAIIC). 2022; 235-240. https://doi.org/10.1109/ICAIIC54071.2022.9722652

Gupta A, Yadav S, Shahid S, Venkanna U. Heart Care: IoT based heart disease prediction system. In: International Conference on Information Technology (ICIT). 2019; 88-93 https://doi.org/10.1109/ICIT48102.2019.00022

Latha CBC, Jeeva SC. Improving the accuracy of prediction of heart disease risk based on ensemble classification techniques. Inform Med Unlocked. 2019; 16: 100203. https://doi.org/10.1016/j.imu.2019.100203

Mohan S, Thirumalai C, Srivastava G. Effective heart disease prediction using hybrid machine learning techniques. IEEE Access. 2019; 7: 81542-81554. https://doi.org/10.1109/ACCESS.2019.2923707

التنزيلات

إصدار

القسم

article

كيفية الاقتباس

1.
تطوير التعلم الآلي المختلط في تصنيف تشخيص المرضى باستخدام نموذج ) XRP  الاستخراج والاختزال والتنبؤ(. Baghdad Sci.J [انترنت]. [وثق 21 نوفمبر، 2024];22(2). موجود في: https://bsj.uobaghdad.edu.iq/index.php/BSJ/article/view/9695