دانلود مقاله DEANN: یک روش تحلیلی مراقبت بهداشتی در مورد تجزیه و تحلیل پوشش اطلاعات و شبکه های مصنوعی عصبی برای پیش بینی وضعیت عملکرد گیرنده عضو
تعداد کلمات فایل انگلیسی:3100 کلمه 10صفحه pdf
تعداد صفحات فایل ترجمه:11صفحه word فونت14 Arial
چکیده
مشکل پیش پردازش اثر بخش یک مجموعه داده ها که شامل تعداد زیادی از عملکرد هامعیارها و حتی میزان زیادی از ثبت ها می باشد، در هنگام استفاده از ANN اهمیت پیدا می کند. به این ترتیب، این مطالعه گسترش DEA را برای پیش پردازش داده ها به منظور حذف مقادیرپراکنده (داده ها) و از این رو حفظ یکنواختی و همچنین کاهش اندازه داده های مورد استفاده برای آموزش ANN پیشنهاد می کند. نتایج حاصل از این رویکرد نوین تحلیل داده ها، یعنی DEANN، ثابت کرد که دقت ANN می تواند حفظ گردد در حالی که اندازه مجموعه داده های آموزشی به طور قابل توجهی کاهش می یابد. روش DEANNاز طریق مشکل پیش بینی وضعیت عملکردی بیماران در جراحی پیوند اعضاء به اجرا در می آید. نتایج حاصل شده بسیار امیدوار کننده است که روش پیشنهادی را تایید می کند.
مقدمه
پیوند اعضا یکی از گزینه های درمانی مناسب برای درمان بیماران با نارسایی عضو است و همچنین ممکن است تنها گزینه و انتخاب آنها باشد. همراه با هزینه جراحی و عدم وجود دسترسی راحت به ارگان های موجود، نیاز به جور شدن اهدا کنندگان ارگان و گیرندگان نیز وجود دارد که این عامل در نتیجه پیوند موفقیت آمیز، بسیار مهم است. با این حال، مجموعه داده های اهدا کنندگان و گیرندگان ممکن است هم از نظر تعداد سوابق ثبت شده در پرونده ها و هم از نظر ویژگی های اهدا کننده، گیرنده، و رابطه بین آنها، حاوی مقادیر وسیعی از اطلاعات باشد. بنابراین نیاز به تجزیه و تحلیل این داده ها مهم است و و هر فرد مستقلی که تلاش می کند که در این موارد پیش بینی انجام دهد ممکن است سوگیری بزرگی ایجاد شود زیرا توجه به ویژگی های مهم ممکن است مشکل باشد و هر دو ناشی از تعداد آنها و روشی باشد که ممکن است برای تعیین اینکه کدام صفات به نتیجه پیوند کمک می کند دشوار باشد.
DEANN: A Healthcare Analytic Methodology of Data Envelopment Analysis and Artificial Neural Networks for the Prediction of Organ Recipient Functional Status
Abstract
The problem of effectively preprocessing a dataset containing a large number of performance metrics and an even larger number of records is crucial when utilizing an ANN. As such, this study proposes deploying DEA to preprocess the data to remove outliers and hence, preserve monotonicity as well as to reduce the size of the dataset used to train the ANN. The results of this novel data analytic approach, i.e. DEANN, proved that the accuracy of the ANN can be maintained while the size of the training dataset is significantly reduced. DEANN methodology is implemented via the problem of predicting the functional status of patients in organ transplant operations. The results yielded are very promising which validates the proposed method
introduction
Organ transplants are one of the most viable treatment options for patients with organ failures and may also be their only option. Coupled with the cost of the operation and the lack of readily available organs, the need for pairings of organ donors and recipients which result in successful transplants is critical. However, datasets on donors and recipients may contain a vast amount of information, both in number of records and in attributes of the donor, recipient, and their relationship. The need to parse this data is therefore, acute and any single person attempting to perform a prediction may result in heavy bias as the consideration of the important attributes may be difficult, both due to their number and the way in which it may be difficult to determine which attributes contribute towards the outcome of the transplant. There exists a need, therefore, to not only perform accurate predictions on a complex dataset, but also to parse this dataset in some way so as to reduce it to a manageable form. Investigations into this have been performed using different approaches such as by Oztekin et al. (2011), who analyzed a lung transplant dataset using decision trees, and reinforced by studies as that by Zhuang et al.(2009) who demonstrate the effectiveness of data mining and machine learning for decision making by medical practitioners. Meisel and Mattfeld (2010) also supported this idea by identifying key areas in which operational research and data mining can work synergistically to create innovative approaches towards solutions for problems concerning decision making.
کد:12311
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله DEANN: یک روش تحلیلی مراقبت بهداشتی در مورد تجزیه و تحلیل پوشش اطلاعات و شبکه های مصنوعی عصبی برای پیش بینی وضعیت عملکرد گیرنده عضو
تعداد کلمات فایل انگلیسی:3100 کلمه 10صفحه pdf
تعداد صفحات فایل ترجمه:11صفحه word فونت14 Arial
چکیده
مشکل پیش پردازش اثر بخش یک مجموعه داده ها که شامل تعداد زیادی از عملکرد هامعیارها و حتی میزان زیادی از ثبت ها می باشد، در هنگام استفاده از ANN اهمیت پیدا می کند. به این ترتیب، این مطالعه گسترش DEA را برای پیش پردازش داده ها به منظور حذف مقادیرپراکنده (داده ها) و از این رو حفظ یکنواختی و همچنین کاهش اندازه داده های مورد استفاده برای آموزش ANN پیشنهاد می کند. نتایج حاصل از این رویکرد نوین تحلیل داده ها، یعنی DEANN، ثابت کرد که دقت ANN می تواند حفظ گردد در حالی که اندازه مجموعه داده های آموزشی به طور قابل توجهی کاهش می یابد. روش DEANNاز طریق مشکل پیش بینی وضعیت عملکردی بیماران در جراحی پیوند اعضاء به اجرا در می آید. نتایج حاصل شده بسیار امیدوار کننده است که روش پیشنهادی را تایید می کند.
مقدمه
پیوند اعضا یکی از گزینه های درمانی مناسب برای درمان بیماران با نارسایی عضو است و همچنین ممکن است تنها گزینه و انتخاب آنها باشد. همراه با هزینه جراحی و عدم وجود دسترسی راحت به ارگان های موجود، نیاز به جور شدن اهدا کنندگان ارگان و گیرندگان نیز وجود دارد که این عامل در نتیجه پیوند موفقیت آمیز، بسیار مهم است. با این حال، مجموعه داده های اهدا کنندگان و گیرندگان ممکن است هم از نظر تعداد سوابق ثبت شده در پرونده ها و هم از نظر ویژگی های اهدا کننده، گیرنده، و رابطه بین آنها، حاوی مقادیر وسیعی از اطلاعات باشد. بنابراین نیاز به تجزیه و تحلیل این داده ها مهم است و و هر فرد مستقلی که تلاش می کند که در این موارد پیش بینی انجام دهد ممکن است سوگیری بزرگی ایجاد شود زیرا توجه به ویژگی های مهم ممکن است مشکل باشد و هر دو ناشی از تعداد آنها و روشی باشد که ممکن است برای تعیین اینکه کدام صفات به نتیجه پیوند کمک می کند دشوار باشد.
DEANN: A Healthcare Analytic Methodology of Data Envelopment Analysis and Artificial Neural Networks for the Prediction of Organ Recipient Functional Status
Abstract
The problem of effectively preprocessing a dataset containing a large number of performance metrics and an even larger number of records is crucial when utilizing an ANN. As such, this study proposes deploying DEA to preprocess the data to remove outliers and hence, preserve monotonicity as well as to reduce the size of the dataset used to train the ANN. The results of this novel data analytic approach, i.e. DEANN, proved that the accuracy of the ANN can be maintained while the size of the training dataset is significantly reduced. DEANN methodology is implemented via the problem of predicting the functional status of patients in organ transplant operations. The results yielded are very promising which validates the proposed method
introduction
Organ transplants are one of the most viable treatment options for patients with organ failures and may also be their only option. Coupled with the cost of the operation and the lack of readily available organs, the need for pairings of organ donors and recipients which result in successful transplants is critical. However, datasets on donors and recipients may contain a vast amount of information, both in number of records and in attributes of the donor, recipient, and their relationship. The need to parse this data is therefore, acute and any single person attempting to perform a prediction may result in heavy bias as the consideration of the important attributes may be difficult, both due to their number and the way in which it may be difficult to determine which attributes contribute towards the outcome of the transplant. There exists a need, therefore, to not only perform accurate predictions on a complex dataset, but also to parse this dataset in some way so as to reduce it to a manageable form. Investigations into this have been performed using different approaches such as by Oztekin et al. (2011), who analyzed a lung transplant dataset using decision trees, and reinforced by studies as that by Zhuang et al.(2009) who demonstrate the effectiveness of data mining and machine learning for decision making by medical practitioners. Meisel and Mattfeld (2010) also supported this idea by identifying key areas in which operational research and data mining can work synergistically to create innovative approaches towards solutions for problems concerning decision making.
کد:12311
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com