論文の概要: A Decision Support System for Liver Diseases Prediction: Integrating Batch Processing, Rule-Based Event Detection and SPARQL Query

• arxiv url: http://arxiv.org/abs/2311.07595v1
• Date: Fri, 10 Nov 2023 10:21:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-15 17:09:21.135211
• Title: A Decision Support System for Liver Diseases Prediction: Integrating Batch Processing, Rule-Based Event Detection and SPARQL Query
• Title（参考訳）: 肝疾患予測のための意思決定支援システム:バッチ処理,ルールベースイベント検出,SPARQLクエリの統合
• Authors: Ritesh Chandra, Sadhana Tiwari, Satyam Rastogi, Sonali Agarwal
• Abstract要約: 肝疾患は世界的な健康上の重荷となり、かなりの数の個人に影響を与え、経済的、社会的に重大な影響をもたらす。 本研究は,BFO ( Basic Formal Ontology) を用いた肝疾患の予測モデルの構築と決定木アルゴリズムによる検出規則の構築を目的とする。
• 参考スコア（独自算出の注目度）: 0.929965561686354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Liver diseases pose a significant global health burden, impacting a substantial number of individuals and exerting substantial economic and social consequences. Rising liver problems are considered a fatal disease in many countries, such as Egypt, Molda, etc. The objective of this study is to construct a predictive model for liver illness using Basic Formal Ontology (BFO) and detection rules derived from a decision tree algorithm. Based on these rules, events are detected through batch processing using the Apache Jena framework. Based on the event detected, queries can be directly processed using SPARQL. To make the ontology operational, these Decision Tree (DT) rules are converted into Semantic Web Rule Language (SWRL). Using this SWRL in the ontology for predicting different types of liver disease with the help of the Pellet and Drool inference engines in Protege Tools, a total of 615 records are taken from different liver diseases. After inferring the rules, the result can be generated for the patient according to the DT rules, and other patient-related details along with different precautionary suggestions can be obtained based on these results. Combining query results of batch processing and ontology-generated results can give more accurate suggestions for disease prevention and detection. This work aims to provide a comprehensive approach that is applicable for liver disease prediction, rich knowledge graph representation, and smart querying capabilities. The results show that combining RDF data, SWRL rules, and SPARQL queries for analysing and predicting liver disease can help medical professionals to learn more about liver diseases and make a Decision Support System (DSS) for health care.
• Abstract（参考訳）: 肝疾患は世界中で大きな健康負担を負い、かなりの数の個人に影響し、経済的・社会的影響をもたらす。 肝臓疾患の増加は、エジプトやモルダなどの多くの国で致命的な病気と考えられている。 本研究の目的は,基本形式オントロジー(bfo)と決定木アルゴリズムによる検出規則を用いて,肝疾患の予測モデルを構築することである。 これらのルールに基づいて、イベントはApache Jenaフレームワークを使用してバッチ処理によって検出される。 検出されたイベントに基づいて、クエリはSPARQLを使って直接処理できる。 オントロジーを運用するには、これらの決定木(DT)ルールをセマンティックWebルール言語(SWRL)に変換する。 プロテゲツールのペレットとドロロール推論エンジンの助けを借りて、様々な種類の肝臓疾患を予測するオントロジーのこの回転を利用して、合計615個の記録が異なる肝臓疾患から取られる。 このルールを推論した後、dtルールに従って患者に対して結果を生成し、これらの結果に基づいて、異なる予防的提案を伴う他の患者関連詳細を得ることができる。 バッチ処理のクエリ結果とオントロジ生成結果の組み合わせは、疾患の予防と検出をより正確に提案できる。 本研究の目的は、肝疾患の予測、豊富な知識グラフ表現、スマートクエリ機能に適用可能な包括的なアプローチを提供することである。 その結果, RDFデータ, SWRLルール, SPARQLクエリを組み合わせて肝疾患を分析し, 予測することで, 医療従事者が肝疾患についてより深く学ぶことができ, 医療のための意思決定支援システム(DSS)を構築することができることがわかった。

関連論文リスト

• Assessing and Enhancing Large Language Models in Rare Disease Question-answering [64.32570472692187]
  本稿では,レアな疾患の診断におけるLarge Language Models (LLMs) の性能を評価するために,レアな疾患問合せデータセット(ReDis-QA)を導入する。 ReDis-QAデータセットでは1360の高品質な質問応答ペアを収集し,205の稀な疾患をカバーした。 その後、いくつかのオープンソースのLCMをベンチマークし、希少疾患の診断がこれらのモデルにとって重要な課題であることを示した。 実験の結果,ReCOPは,ReDis-QAデータセット上でのLCMの精度を平均8%向上できることがわかった。
  論文  参考訳（メタデータ） (2024-08-15T21:09:09Z)
• A Non-Invasive Interpretable NAFLD Diagnostic Method Combining TCM Tongue Features [3.027279434102167]
  非アルコール性脂肪肝疾患(非アルコール性脂肪肝疾患、NAFLD)は、肝脂肪症を特徴とする臨床病理学的症候群である。 提案手法は,非侵襲的データのみを用いて77.22%の精度を実現する。
  論文  参考訳（メタデータ） (2023-09-06T12:55:59Z)
• Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
  本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。 提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-05-20T03:12:23Z)
• Multi-Task Learning for Post-transplant Cause of Death Analysis: A Case Study on Liver Transplant [65.85767739748901]
  移植後の死因は、臨床的意思決定の強力なツールである。 Model for End-stage Liver Disease (MELD) スコアや従来の機械学習 (ML) メソッドのような従来の手法は、CoD 解析において限られている。 我々は,多タスク学習を利用したCoD-MTLと呼ばれる新しいフレームワークを提案し,様々なCoD予測タスク間の意味関係をモデル化する。
  論文  参考訳（メタデータ） (2023-03-30T01:31:49Z)
• Fairly Predicting Graft Failure in Liver Transplant for Organ Assigning [61.30094367351618]
  肝移植は肝疾患に対して必要不可欠な治療法である。 機械学習モデルは不公平であり、特定のグループに対する偏見を引き起こす可能性がある。 本研究は,肝移植における移植不全予測を目的とした,公正な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-18T18:24:58Z)
• MAFUS: a Framework to predict mortality risk in MAFLD subjects [7.418913276983601]
  本稿では,代謝関連脂肪肝疾患(MAFLD)患者の死亡を予測できる人工知能ベースの枠組みを提案する。 このフレームワークは、機械学習(ML)アルゴリズムに基づいた、さまざまな人為的および生化学的ソースのデータを使用する。
  論文  参考訳（メタデータ） (2023-01-17T14:19:51Z)
• Machine Learning Approaches for Inferring Liver Diseases and Detecting Blood Donors from Medical Diagnosis [0.0]
  本稿では,欠落データを扱うために連鎖方程式による多重インプテーションを適用した。 重要な発見を明らかにするために、データの視覚化が実装された。 提案したMLメソッドは精度が向上した(例)。 98.23%のSVM)
  論文  参考訳（メタデータ） (2021-04-25T04:10:19Z)
• Learning $\mathbf{\mathit{Matching}}$ Representations for Individualized Organ Transplantation Allocation [98.43063331640538]
  臓器アロケーションと移植結果の観察データを用いて,臓器マッチングのためのデータ駆動型ルールの学習問題を定式化する。 本稿では,表現学習に基づくモデルを提案し,ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ド 本モデルは,ヒトの専門家が実施する最先端のアロケーション手法やポリシーより優れる。
  論文  参考訳（メタデータ） (2021-01-28T01:33:21Z)
• Alleviating the Incompatibility between Cross Entropy Loss and Episode Training for Few-shot Skin Disease Classification [76.89093364969253]
  そこで本研究では,皮膚疾患の診断にFew-Shot Learningを応用し,トレーニングサンプル問題の極端な不足に対処することを提案する。 本稿では, エピソード学習において, クロスエントロピー(CE)よりも優れたクエリ-相対的損失(QR)を提案する。 さらに,新しい適応型ハードマージン戦略により,提案したQR損失をさらに強化する。
  論文  参考訳（メタデータ） (2020-04-21T00:57:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。