| LEADER |
06129nam a2200349 4500 |
| 001 |
1534547 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 625949
|a ملايشة، سند أحمد أنيس
|e مؤلف
|
| 245 |
|
|
|a Classification and Prediction of Low-Density Lipoprotein Cholesterol Ldl-C in the Palestinian Patients Using Machine Learning Techniques
|
| 246 |
|
|
|a التصنيفات والتنبوءات للدهون "LDL" للمرضى الفلسطينيين باستخدام تقنية التعليم الآلي
|
| 260 |
|
|
|a جنين
|c 2021
|
| 300 |
|
|
|a 1 - 138
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c الجامعة العربية الأمريكية - جنين
|f كلية الدراسات العليا
|g فلسطين
|o 0323
|
| 520 |
|
|
|a يعتبر مرض الكوليسترول واحد من الأسباب الرئيسية في الوفيات محليا في فلسطين وعلى مستوى العالم، وذلك بنسبة تصل إلى 31.5% محليا و 31.4% عالميا. يتكون الكوليسترول من أربعة قيم أساسية وهي الكوليسترول الكلي TCH، الدهون الثلاثية TG، كوليسترول البروتين الدهني منخفض الكثافة LDL-C، وكوليسترول البروتين الدهني مرتفع الكثافة HDL-C. القيمة الرئيسية المؤثرة والمسببة لأمراض القلب والأوعية الدموية هي LDL-C التي تسمى الكوليسترول السيء، لأنه يتراكم على الأسطح الداخلية للشرايين مسببا تضيقها وبطيء وصول الدم المغذي إلى القلب والدماغ، بالتالي هذا يؤدي إلى النوبات القلبية والسكتات الدماغية. التعلم الآلي ML أصبح لاعب رئيسي في دعم كشف وتشخيص الكوليسترول منخفض الكثافة LDL-C، يتم ذلك بالاعتماد على بيانات الملفات الطبية للمرضى المشخصين بارتفاع الكوليسترول، ويتم توصيف هذا الحالي عندما تتخطى قيمة LDL-C المستوى المقبول والصحي الذي هو قياس 160 mg/dL. تصنيف والتنبؤ بقيمة LDL-C باستخدام أدوات التعلم الآلي ML سوف يضمن تشخيص وتقدير دقيق لهذا المرض، متجنبا الأخطاء البشرية، والتكاليف المخبرية والوقت في انتظار نتائج الفحص، لذلك التعلم الآلي لديه تأثير إيجابي كبير على تشخيص المرض وبالتالي العلاج. ولهذا الهدف استخدمت هذه الأطروحة أدوات التعلم الآلي في التصنيف والتنبؤ لقيمة LDL-C، بالإضافة إلى تطبيقها على قيمة HDL-C. من هذه الأدوات المستخدمة الشبكات العصبونية الاصطناعية ANNs بنسخها المختلفة مثل RNN وRBFNN، المنطق الضبابي Fuzzy Logic، شجرة اتخاذ القرار Decision Tree، Support Vector Machine SVM، اقتران الانحدار اللوجستي Logistic Regression، ونماذج تدمج بين ANNs والمنطق الضبابي Fuzzy Logic فيما يسمى نموذج Neuro-Fuzzy لتحسين دقة النتائج وتقليل نسبة الخطأ. هذه الأدوات المذكورة تحتاج إلى مجموعة بيانات عينة من المرضى لتدريبها واختبارها، وبما أن الأطروحة تستهدف المجتمع الفلسطيني فإنه تم التعاون مع وزارة الصحة الفلسطينية للحصول على البيانات المطلوبة من حقول وسجلات للمرضى والتي قاموا بتزويدها من عوامل مؤثرة وبيانات مرضى كوليسترول فلسطينيين. كما تم تدعيم الأطروحة بمجموعة بيانات أخرى عالمية تم جمعها في كوريا الشمالية بترتيب من استبيان الفحوصات الغذائية والصحية الكورية الوطنية KNHANES، ذلك لتعميم النتائج ومقارنتها بالجهود العالمية في مجال البحث. الأدوات والبيانات المستخدمة في هذه الأطروحة أثبتت تفوق في الدقة على الجهود الأخرى السابقة التي كانت نسبتها 80% في البحث المعنون "Lipid Profile Prediction Based on Artificial Neural Networks" حيث إنه استخدم حقول بيانات أقل متعلقة فقط بقياسات فحص الكوليسترول، بينما في هذه الأطروحة وصلت نسبة الدقة إلى 97.10% في البينات الكورية و 95.55% في البيانات الفلسطينية. هذه الأطروحة تقترح وتدعم باتجاه استخدام حقول أكثر تأثيرا والتي لا تشمل إجراءات جراحية للحصول على نتائج أدق، أقل تكلفة ووقت.
|
| 653 |
|
|
|a القطاع الطبي
|a المستشفيات الفلسطينية
|a المرضى الفلسطينيين
|a الشبكات الاصطناعية
|a المنطق الضبابي
|
| 700 |
|
|
|9 625952
|a Hadrob, Rami
|e Advisor
|
| 700 |
|
|
|a Awad, Mohammed
|e Advisor
|9 551750
|
| 856 |
|
|
|u 9808-002-001-0323-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9808-002-001-0323-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9808-002-001-0323-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9808-002-001-0323-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9808-002-001-0323-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9808-002-001-0323-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9808-002-001-0323-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9808-002-001-0323-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9808-002-001-0323-5.pdf
|y 5 الفصل
|
| 856 |
|
|
|u 9808-002-001-0323-R.pdf
|y المصادر والمراجع
|
| 856 |
|
|
|u 9808-002-001-0323-S.pdf
|y الملاحق
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1167945
|d 1167945
|
