جستجوی مقالات مرتبط با کلیدواژه "nearest neighbor algorithm" در نشریات گروه "پزشکی"
-
Introduction
Propensity score matching (PSM) is a method to reduce the impact of essential and confounders. When the number of confounders is high, there may be a problem of matching, in which, finding matched pairs for the case group is difficult, or impossible. The propensity score (PS) minimizes the effect of the confounders, and it is reduced to one dimension. There are various algorithms in the field of PSM. This study aimed to compared the nearest neighbor and caliper algorithms.
MethodsData obtained in this study were from patients undergoing angiography at Ghaem Hospital in Mashhad, between 2011-12. The study was a retrospective case-control using PSM. In total, 604 patients were included in the case and control groups. A logistic regression model was used to calculate the propensity score and adjust the variables, such as age, gender, Body Mass Index (BMI), systolic blood pressure, smoking status, and triglyceride. Then, the Odds Ratios (ORs) with 95% Confidence Intervals (CIs) for the raw data and two matching algorithms were determined to examine the relationship between type 2 diabetes and coronary artery disease (CAD).
ResultsPropensity score in the nearest neighbor and caliper algorithms matched the total number of 604 samples, 200 and 178 pairs, respectively. All variables were significantly different between the two groups before matching (P<0.05). The gender was significantly different between the two groups after matching using the nearest neighbor algorithm (P=0.002). No variables created a significant difference between the two groups after matching with the caliper algorithm.
ConclusionBias reduction in the caliper algorithm was greater than for the nearest neighbor algorithm for all variables except the triglyceride variable.
Keywords: Propensity score matching, Caliper algorithm, Nearest neighbor algorithm, Diabetes, Coronary artery disease -
مقدمه
بیماری سرطان پستان یکی از شایع ترین انواع سرطان و شایع ترین نوع بدخیمی در زنان است که در سال های اخیر روند رو به رشدی داشته است. در مبتلایان به این بیماری همواره احتمال عود مجدد وجود دارد. عوامل زیادی میزان این احتمال را کاهش یا افزایش می دهند. داده کاوی از روش هایی است که در تشخیص یا پیش بینی سرطان ها به کار می رود و یکی از بیشترین کاربردهای آن، پیش بینی عود مجدد سرطان پستان است.
روشدر این مطالعه گذشته نگر از داده های 699 بیمار مبتلا به سرطان پستان با 14 ویژگی استفاده شد که از این تعداد 458 نفر (66 درصد) سرطان آن ها عود نکرد و 241 نفر (34 درصد) سرطان آن ها عود کرده است. این اطلاعات از سال 1391 تا 1394 از پرونده بیماران سرطان پستان جهاد دانشگاهی جمع آوری شد. در این پژوهش از ترکیب دو الگوریتم نزدیک ترین همسایگی و الگوریتم ژنتیک برای پیش بینی عود بیماران مبتلا به سرطان پستان استفاده گردید. ابتدا الگوریتم نزدیک ترین همسایگی برای پیش بینی عود سرطان پستان ارائه شد سپس به کمک الگوریتم ژنتیک متغیرهای وابسته کاهش یافت تا مدل صحت مناسب تری داشته باشد.
نتایجتعداد متغیرهای وابسته 14 متغیر بود که به کمک الگوریتم ژنتیک به 6 متغیر کاهش پیدا نمود تا مدل پیش بینی کارایی بهتری داشته باشد. جهت ارزیابی مدل از پارامتر صحت استفاده شد که مقدار آن برای مدل پیشنهادی 14/77 درصد است که نسبت به روش های دیگر خروجی مناسب تری دارد.
نتیجه گیریدر این مطالعه الگوریتم پیشنهادی با روش های دیگر پیش بینی مورد بررسی قرار گرفت و مشخص گردید الگوریتم پیشنهادی دارای صحت بهتر است.
کلید واژگان: عود سرطان پستان, الگوریتم ژنتیک, الگوریتم نزدیک ترین همسایگیIntroductionBreast cancer is one of the most common types of cancer and the most common type of malignancy in women, which has been growing in recent years. Patients with this disease have a chance of recurrence. Many factors reduce or increase this probability. Data mining is one of the methods used to detect or anticipate cancers, and one of its most common uses is to predict the recurrence of breast cancer.
Cases and MethodsOut of 699 patients with breast cancer, 458 (66%) of them did not relapse and 241 (34%) of their cancer recurred. This information was collected from 91 to 94 years of history of patients with breast cancer in the academic Jihad. In this study, the combination of two nearest neighboring algorithms and a genetic algorithm are proposed to predict the relapse of patients with breast cancer. First, the nearest neighboring algorithm is presented to predict the recurrence of breast cancer. Then, using the genetic algorithm, the dependent variables are reduced to make the model more appropriate.
ResultsThe number of dependent variables is 14 variables, which is reduced by 6 genetic algorithms to better predict the model. To evaluate the model, the health parameter is used, which is 77.14% for the proposed model, which could not be more suitable for other methods.
ConclusionIn this study, the proposed algorithm was examined with other predictive methods and it was determined that the proposed algorithm is better.
Keywords: Breast Cancer Recurrence, Genetic Algorithm, Nearest Neighbor Algorithm -
مقدمهدیابت یا بیماری قند یک اختلال متابولیک سوخت و سازی در بدن است که توانایی تولید انسولین در بدن از بین می رود و انسولین تولیدی نمی تواند عملکرد طبیعی خود را انجام دهد. وجود علائم و ویژگی های مختلف این بیماری، تشخیص را برای پزشکان دشوار می کند. داده کاوی امکان تحلیل داده های بالینی بیماران برای تصمیم گیری های پزشکی را فراهم می کند. هدف این پژوهش، ارائه یک مدل برای افزایش دقت پیش بینی دیابت است.روشدر این مطالعه، پرونده پزشکی 1151 بیمار مبتلا به دیابت با تعداد 19 ویژگی مورد بررسی قرار گرفت. اطلاعات بیماران از پایگاه داده استاندارد UCI جمع آوری شد. هر یک از بیماران حداقل به مدت یک سال تحت پیگیری بودند. به منظور ارائه مدل پیش بینی دیابت از الگوریتم ژنتیک و نزدیک ترین همسایه استفاده شد.نتایجنتایج نشان داد که دقت پیش بینی مدل پیشنهادی برابر با 0/76 بود. همچنین برایروش های نایو بیز، شبکه عصبی پرسپترون چند لایه و ماشین بردار پشتیبان دقت پیش بینی به ترتیب برابر با 0/62، 0/65 و 0/75 به دست آمد.نتیجه گیریدر پیش بینی دیابت،مدل پیشنهادی نسبت به سایر مدل های مورد مقایسه، دارای حداقل میزان خطا و بیش ترین دقت و صحت است. روش نایو بیز، حداکثر میزان خطا و کم ترین دقت را دارا می باشد.کلید واژگان: پیش بینی دیابت, الگوریتم ژنتیک, الگوریتم نزدیک ترین همسایه, داده کاویIntroductionDiabetes or diabetes mellitus is a metabolic disorder in body when the body does not produce insulin, and produced insulin cannot function normally. The presence of various signs and symptoms of this disease makes it difficult for doctors to diagnose. Data mining allows analysis of patients’ clinical data for medical decision making. The aim of this study was to provide a model for increasing the accuracy of diabetes prediction.MethodIn this study, the medical records of 1151 patients with diabetes were studied, with 19 features. Patients’ information were collected from the UCI standard database. Each patient has been followed for at least one year. Genetic Algorithm (GA) and the nearest neighbor algorithm were used to provide diabetes prediction model.ResultsIt was revealed that the prediction accuracy of the proposed model equals 0.76. Also, for the methods of Naïve Bayes, Multi-layer perceptron (MLP) neural network, and support vector machine (SVM), the prediction accuracy was 0.62, 0.65, and 0.75, respectively.ConclusionIn predicting diabetes, the proposed model has the lowest error rate and the highest accuracy compared to the other models. Naïve Bayes method has the highest error rate and the lowest accuracy.Keywords: Prediction of diabetes, Genetic algorithm, Nearest neighbor algorithm, Data mining
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.