ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > Prediction of Cancer Survival...>الوصف

Prediction of Cancer Survival Using Data Mining Techniques

المصدر: مجلة البحوث المالية والتجارية
الناشر: جامعة بورسعيد - كلية التجارة
المؤلف الرئيسي: Salem, Emad Mohamed (Author)
مؤلفين آخرين: Al-Mahdy, Mohamed (Co-Author) , Hamed, Rania (Co-Author)
المجلد/العدد: ع1
محكمة: نعم
الدولة: مصر
التاريخ الميلادي: 2016
الشهر: مارس
الصفحات: 361 - 371
ISSN: 2090-5327
رقم MD: 821139
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EcoLink
مواضيع:
مصر | مرضى السرطان | قواعد البيانات | التحليل الإحصائي
كلمات المؤلف المفتاحية:
Data Mining | Support Vector Machines | Kernel Function | RBF | Advanced Cancer | Prognosis
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

31

حفظ في:
المستخلص: هدفت الدراسة إلى بناء نموذج تنبؤ بمدة البقاء على قيد الحياة لمرضى السرطان المتقدم. وتم استخدام أسلوب تنقيب البيانات، باستخدام تقنية Support Vector Machine، باستخدام دالة kernel، ودالة RBF. وذلك بالتطبيق على قاعدة بيانات من مركز طب الأورام والطب النووي بقصر العيني، تحتوي على بيانات طبية لمرضى السرطان المتقدم. بهدف التنبؤ بمدة البقاء على قيد الحياة بالأيام. نتج عن نموذج SVM عشر مؤشرات إنذارية للمرضى للتنبؤ بمدة البقاء على قيد الحياة، وهي على التوالي تبعاً للأهمية (Evidence _of_disease، الهذيان، ضيق التنفس، العلاج الحالي، brain_met، ECOG، oedema_of_LL، الاستسقاء، TLC، فقدان الشهية). وتم تقييم النماذج باستخدام عدة اختبارات إحصائية للمقارنة، والتي أثبتت كفاءة النموذج والدالة المستخدمة. ولتقييم دقة النموذج الكلية تم استخدام معامل Theil، حيث تبين أن دقة القدرة التنبؤية لنموذج SVM بنسبة 74%.

Objectives: This study developed prediction model using data mining techniques, in order to predict the duration of survival of advanced cancer patients per days. Methods: The data mining technique used is prediction using support vector machine (SVM) with kernel function. The dataset collected from patients with advanced cancer. The patient records of 101 patients. (Survival by days) is the target variable and 27 input variables are used for prediction. A statistical comparison tests was obtained to select the best SVM function and Theil coefficient calculate model accuracy. Results: It was found that the accuracy of the predictive ability of the SVM model was 74%. Using kernel function to predict SVM models using RBF instead of its other three functions (linear, polynomial and sigmoid), was found to be much better fitting mode. The model selected three important variables which constitute the model rule. Conclusions: The SVM model identified 10 predictive indicators of poor survival in Egyptian patients hospitalized with terminal cancer (evidence_of_disease, delirium, dyspnea, current_treatment, brain_met, ECOG, oedema of_LL, ascites, TLC and anorexia) respectively according to the most important.
ISSN: 2090-5327

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.