IMPLEMENTATION OF INTELLECTUAL ANALYSIS OF THYROID GLAND INDICATORS
Abstract
The article describes and applies the K-means clustering method to the problem of analyzing medical indicators. The results of an experimental study of the use of the tool for data mining in the diagnosis of thyroid diseases are described. The clustering method is one of the most effective methods for analyzing data with clear and hidden dependencies.
About the Authors
I. M. Uvalieva
Восточно-Казахстанский государственный технический университет им. Д. Серикбаева
Russian Federation
Russian Federation
A. M. Ismukhamedova
Восточно-Казахстанский государственный технический университет им. Д. Серикбаева
Russian Federation
Russian Federation
References
1. Столяров С.А., Бадеян В.А., Попова М.И. Диагностика хронического остеомиелита костей конечностей на фоне его местных гнойных осложнений в неспециализированных лечебно-профилактических учреждениях. Вестник медицинского института «Реавиз». ВАК. – 2017. – №3. – С. 44 - 47.
2. ВОЗ, ЮНИСЕФ и МКБМР, оценка нарушений, связанных с дефицитом йода, и контроль за их устранением. Руководство для руководителей программ. –Третье издание (обновление от 1 сентября 2008 года) дата публикации: 2007 год. – С. 98.
3. Б.А. Кобринский. Интеллектуальные и информационные системы в медицине: мониторинг и поддержка принятия решений: сборник статей. – М., Берлин: Директор-медиа. – 2016. – С. 529.
4. Юдин В.Н., Карпов Л.Е., Абрамов В.Ю. Виды признаков и их роль в дифференцировании классов при оценке не полностью описанного объекта. Труды ИСП РАН. Том 28. Вып. 3. – 2016 г. – С. 231-240. DOI: 10.15514/ISPRAS-2016-28(3)-14.
5. Г.Р. Зарипова, Ю.А. Богданова, О.В. Галимов, В.А. Катаев, Г.М. Биккинина. Современные модели систем поддержки принятия врачебных решений в хирургичесой практике состояния проблемы. ФГБОУ ВО «Башкирский государственный медицинский университет» Минздрава России. – г. Уфа.
6. Литвин А.А., Реброва О.Ю. Системы поддержки принятия решений в диагностике и лечении острого панкреатита. Проблемы здоровья и экологии. – 2016. – С. 10-17.
7. Катаев В.А., Зарипова Г.Р., Богданова Ю.А. Возможности применения информационных технологий в рутинной медицинской практике Медицинский издательский дом «Инициатива», 2017. – С. 104.
8. Кореневский Н.А., Сипливый Г.В., Родионов Д.С., Говорухина Т.Н., Дмитриева В.В. Математические модели дифференциальной диагностики форм пиелонефрита для экспертных систем врачей-урологов. Медицинская техника, 2019. – N 6. – С. 48-50. Библ. 13 назв.
9. Миронов П.И., Лутфарахманов И.И. Современные пути прогнозирования развития сепсиса у больных тяжелым острым панкреатитом. Практическая медицина. – 2016. – С. 21-24.
10. Е.Н. Вельская, А.В. Медведев, Е.Д. Михов, О.В. Тасейко. Применение методов непараметрического моделирования в решении задач экологического мониторинга. Вестник СибГАУ. – Том 17. – № 1. – 2016. – С. 10-18.
11. Богданова Ю.А., Зарипова Г.Р., Катаев В.А., Галимов О.В. Экспертные системы в прогнозировании операционного риска при наиболее распространенных хирургических вмешательствах. ВАК. Врач и информационные технологии. –2017. –С. 40-48.
12. Шестерникова О.П. О применении интеллектуальной системы прогнозирования развития диабета у больных хроническим панкреатитом. Интеллектуальный анализ данных. – 2016. – С. 61-71.
13. Увалиева И.М., Бельгинова С.А., Исмухамедова А.М. Informational and Analytical System to Diagnose Anemia // Proceedings of the Fourth International Conference on Engineering & MIS 2018 - ICEMIS ’18. doi:10.1145/3234698.3234716
14. Бельгинова С.А., Увалиева И.М., Исмухамедова А.М. Decision Support System for Diagnosing Anemia. / 2018 4th International Conference on Computer and Technology Applications (ICCTA 2018), Institute of Electrical and Electronics Engineers Istanbul. – 2018. – С. 211-214.
15. Увалиева И.М., Мамырбаев О.Ж., Бельгинова С.А. Development of expert system on based the algorithm for medical diagnosis. International Scientific and Practical Conference «Сomputer science and applied mathematics». – Алматы, Казахстан. – 2017. – С. 274-283.
16. Финн В.К. Эвристика обнаружения эмпирических закономерностей и принципы интеллектуального анализа данных. // Искусственный интеллект и принятие решений. – 2016. – С. 3-19. DOI 10.14357/20718594180311.
17. Финн В.К. О классе ДСМ-рассуждений, использующих изоморфизм правил индуктивного вывода // Искусственный интеллект и принятие решений. – 2016. – № 3. – С. 48-61.
18. Федотова М.А. Технологии искусственного интеллекта при прогнозировании эффективности командной работы: опыт, проблемы и перспективы практических исследований. Научный результат. ВАК. – Т.5. – №2. – 2019.
19. H. Yamashita, S. Matsuura, H. Suzuki. Оценка главных точек многомерного бинарного распределения с использованием логарифмической линейной модели. Communications in statistics – simulation and computation. V. 46. – 2017. – С. 1136-1147.
20. C. Manzei, L. Schleupnerand R. Heinze. Промышленность 4.0 в международном контексте. Основные концепции, результаты, тенденции. – Берлин: VDE изд. GMBH, –2016.
21. Preeti Arora, Deepali Dr., Shipra Varshney. Анализ алгоритма k-means и k-Medoids для больших данных. Procedia Computer Science. V. 78. – 2016. – С. 507-512.
22. Bo Yang, Xiao Fu, Nicholas D Sidiropoulos, Mingyi Hong. К дружественным пространствам K-means: одновременное глубокое обучение и кластеризация. ICML’17: Proceedings of the 34th International Conference on Machine Learning. – V. 70. – 2017. – С. 3861-3870.
23. Marco Capó, Aritz Péreza, Jose A. Lozanoab. Эффективная аппроксимация k-means кластеризацию для массивных данных. Knowledge-Based systems.V.117. -2017.–с.56-69.
24. Alickovic, E. &Subasi, A. J Med Syst. Медицинская система поддержки принятия решений для диагностики сердечной аритмии с использованием DWT и классификатора случайных лесов. – 2016. https://doi.org/10.1007/s10916-016-0467-8
Review
For citations:
Uvalieva I.M., Ismukhamedova A.M. IMPLEMENTATION OF INTELLECTUAL ANALYSIS OF THYROID GLAND INDICATORS. Herald of the Kazakh-British technical university. 2020;17(1):170-179. (In Russ.)
Views:
254
Email this article 