ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

A Machine Learning Approach to Predict Creatine Kinase Test Results

سال انتشار: 1399
کد COI مقاله: JR_IJSE-4-4_005
زبان مقاله: انگلیسیمشاهده این مقاله: 54
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 14 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله A Machine Learning Approach to Predict Creatine Kinase Test Results

Zehra Nur Canbolat - Management Information Systems, Istanbul Medipol University, Istanbul, Turkey
Gökhan Silahtaroğlu - Management Information Systems, Istanbul Medipol University, Istanbul, Turkey- Pusula Enterprise Business Solutions - Research and Development Centre, Istanbul, Turkey
Özge Doğuç - Management Information Systems, Istanbul Medipol University, Istanbul, Turkey
Nevin Yılmaztürk - Pusula Enterprise Business Solutions - Research and Development Centre, Istanbul, Turkey

چکیده مقاله:

Most of the research done in the literature are based on statistical approaches and used for deriving reference limits based on lab results. As more data are available to the researchers, ML methods are more effectively used by the clinicians and practitioners to reduce cost and provide more accurate diagnoses. This study aims to contribute to the medical laboratory processes by providing an automated method in order to predict the lab results accurately by machine learning from the previous test results. All patient data obtained have been anonymized, and a total of ۴۴۹,۴۷۱ test results have been used to build an integrated dataset. A total of ۱۰۷,۶۴۶ unique patients’ data has been used. This study aims to predict the value range of the Creatine Kinase tests, which are taken in separate tubes and usually needs more processing time than the other tests do. Using the lab results and the Random Forest Algorithm, this study reports that the outcome of the Creatine Kinase test can be determined with ۹۷% accuracy by using the AST and ALT test values. This is an important achievement for the practitioners and the patients, as this study submits significant reduction in Creating Kinase test evaluation time.

کلیدواژه ها:

Laboratory Tests; Creatine Kinase; Data Mining; Machine Learning; Decision Tree

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_IJSE-4-4_005 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1242097/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Nur Canbolat, Zehra and Silahtaroğlu, Gökhan and Doğuç, Özge and Yılmaztürk, Nevin,1399,A Machine Learning Approach to Predict Creatine Kinase Test Results,https://civilica.com/doc/1242097

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399, Nur Canbolat, Zehra؛ Gökhan Silahtaroğlu and Özge Doğuç and Nevin Yılmaztürk)
برای بار دوم به بعد: (1399, Nur Canbolat؛ Silahtaroğlu and Doğuç and Yılmaztürk)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی