Prediction of Drug-Related Problems Using Deep Learning Techniques
| العنوان بلغة أخرى: |
التنبؤ بالمشاكل المتعلقة بالأدوية باستخدام تقنيات التعلم العميق |
|---|---|
| المؤلف الرئيسي: | الصمادي، فاطمة محمود (مؤلف) |
| المؤلف الرئيسي (الإنجليزية): | Smadi, Fatima Mahmoud |
| مؤلفين آخرين: | الردايدة، قاسم أحمد قاسم (مشرف) |
| التاريخ الميلادي: |
2021
|
| موقع: | إربد |
| الصفحات: | 1 - 83 |
| رقم MD: | 1260159 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة اليرموك |
| الكلية: | كلية تكنولوجيا المعلومات وعلوم الحاسوب |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
19
| المستخلص: |
تعتبر المشاكل المتعلقة بالأدوية قضية مهمة في نظام الرعاية الصحية في جميع أنحاء العالم. ويظهر بشكل شائع لدى مرضى السكري، مما يؤدي إلى مضاعفات الرعاية الصحية غير المرغوب فيها. يؤدي التعرف المبكر على المشاكل المتعلقة بالأدوية إلى تحسين العلاج الدوائي للمريض مع عدم وجود أخطاء تؤثر على حياة المريض. من المعروف أنه من الصعب تقديم خدمات الرعاية الصحية لجميع المرضى بسبب محدودية الموارد في نظام الرعاية الصحية. في هذه الأطروحة، نهدف إلى التحقق من أفضل بنية الشبكة العصبية العميقة (DNN) والشبكة العصبية ذات الذاكرة طويلة وقصيرة المدى (LSTM)لتنبؤ بحالة المشكلات المتعلقة بالأدوية (DRPS) لمرضى السكري، أيضا، لمعرفة تأثير تطبيق التعلم العميق وطرق التعلم الآلي المختلفة لمقارنة نتائج التعلم الآلي التي حققت مع نماذج DNN وLSTM لمعرفة أيهما يعطي نتائج أفضل وتطبيق الانحدار اللوجستي في SPSS باستخدام البيانات التي تم إعدادها ثم مقارنة نتائج المصنفات مع البيانات الأصلية. لتطبيق الخوارزميات المدروسة، تم جمع مجموعة البيانات المستخدمة في هذه الرسالة من العيادات الخارجية لأمراض القلب والأوعية الدموية والغدد الصماء والجهاز التنفسي لستة مستشفيات رئيسية في مناطق مختلفة في الأردن، وتم جمعها من سبتمبر 2012 إلى ديسمبر 2013. تظهر نتائج التجارب أن أفضل بنية DNN عند استخدام 124 خلية عصبية مخفية في ثلاث طبقات مخفية، مع معدل التسرب (0.5)، وepochs (400)، وحجم الدفعة (32)، واقتران التشغيل ReLU، كانت قيم مقاييس الدقة: 95.57%، الحساسية: 95.31%، الخصوصية: 95.83%، بالإضافة إلى ذلك، تظهر نتائج أفضل بنية LSTM عند استخدام 31 خلية عصبية مخفية في خمس طبقات مخفية من LSTM، مع معدل التسرب (50)، (50) epochs، حجم الدفعة (32)، كانت قيم مقاييس الدقة: 87.50%، الحساسية: 79.16%، والخصوصية: 95.83%، بالإضافة إلى ذلك، تظهر النتائج أن خوارزميات التعلم الآلي وخاصة الغابات العشوائية (RF) للتنبؤ بحالة المشاكل المتعلقة بالأدوية تتفوق على خوارزميات التعلم العميق. عند مقارنة التعلم الآلي مع الانحدار اللوجستي للبيانات الأصلية بواسطة (الطعاني وآخرون، 2017)، تظهر النتائج أن طريقة الغابات العشوائية تتفوق على مصنف الانحدار اللوجستي للبيانات الأصلية في الحساسية والخصوصية عالية. بالمقارنة مع التعلم العميق والأساليب الإحصائية التي استخدمت البيانات الأصلية، وجدت الدراسة أن التعلم الآلي أكثر فعالية ويستغرق وقتا وجهدا أقل وينتج نتائج أفضل. |
|---|
عناصر مشابهة
-
An Intelligent Healthcare Checker for COVID-19 Using Deep Learning Techniques
بواسطة: Al-Alawi, Ahmed Salim Humaid منشور: (2021) -
Software Fault Prediction Using Deep Learning Algorithms
بواسطة: القاسم، أسامة محمد منشور: (2018) -
Source Code-Based Defect Prediction Using Deep Learning and Transfer Learning
بواسطة: الصمادي، نوزت محمود منشور: (2018) -
A Deep Learning-Based Model for Predicting Survivability of Breast Cancer Patients
بواسطة: الشوحة، بشار حسام منشور: (2020) -
Generalization of Deep Neural Networks of Hospital Readmission Prediction Models for Diabetes Patients Using Apache Spark Clustering
بواسطة: الرباعي، فاطمة عبدالكريم خميس منشور: (2020)
