| LEADER |
05402nam a2200337 4500 |
| 001 |
2011928 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 671717
|a الصمادي، فاطمة محمود
|e مؤلف
|g Smadi, Fatima Mahmoud
|
| 245 |
|
|
|a Prediction of Drug-Related Problems Using Deep Learning Techniques
|
| 246 |
|
|
|a التنبؤ بالمشاكل المتعلقة بالأدوية باستخدام تقنيات التعلم العميق
|
| 260 |
|
|
|a إربد
|c 2021
|
| 300 |
|
|
|a 1 - 83
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c جامعة اليرموك
|f كلية تكنولوجيا المعلومات وعلوم الحاسوب
|g الاردن
|o 0151
|
| 520 |
|
|
|a 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.
|
| 653 |
|
|
|a الرعاية الصحية
|a الشبكة العصبية
|a العلاج الدوائي
|a العيادات الخارجية
|a الجهاز التنفسي
|a الرعاية الصيدلانية
|
| 700 |
|
|
|a الردايدة، قاسم أحمد قاسم
|g Al-Radaideh, Qasem A.
|e مشرف
|9 469478
|
| 856 |
|
|
|u 9802-003-012-0151-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9802-003-012-0151-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9802-003-012-0151-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9802-003-012-0151-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9802-003-012-0151-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9802-003-012-0151-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9802-003-012-0151-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9802-003-012-0151-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9802-003-012-0151-5.pdf
|y 5 الفصل
|
| 856 |
|
|
|u 9802-003-012-0151-6.pdf
|y 6 الفصل
|
| 856 |
|
|
|u 9802-003-012-0151-R.pdf
|y المصادر والمراجع
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1260159
|d 1260159
|
