ในการศึกษานี้ เราได้พัฒนาวิธีการที่ใช้การเรียนรู้ด้วยเครื่อง (ML) สำหรับการทำนายความเสี่ยงจากโรคหลอดเลือดสมอง 80 ภาพประกอบ 49 รายงานการจำแนกประเภทของแบบจำลอง LR ที่สร้างจากข้อมูลที่สมดุล
บทที่ 1 บทน า
เพื่อเปรียบเทียบประสิทธิภาพของอัลกอริทึมการเรียนรู้ของเครื่องแต่ละตัวในการจำแนกประเภท (การจำแนกประเภท) เพื่อทำนายความน่าจะเป็นของโรคหลอดเลือดสมองโดยการจำแนกประเภท (การจำแนกประเภท) เพื่อทำนายความน่าจะเป็นของโรคหลอดเลือดสมองโดยใช้เมทริกซ์ความสับสน ความแม่นยำ ความไว ความจำเพาะ คะแนน f1 วัดและเปรียบเทียบประสิทธิภาพโดยใช้เมทริกซ์ความสับสน ความแม่นยำ ความไว ความจำเพาะ คะแนน f1
บทที่ 2
โรคหลอดเลือดสมอง
การวิเคราะห์ข้อมูล
แสดงประเภทของโรคหลอดเลือดสมอง 2 ประเภท คือ หลอดเลือดแดงสมองอุด ตัน (Ischemic stroke) และหลอดเลือดแดงสมองแตก (Hemorrhagic stroke)
- โรคเบาหวาน
- การติดเชื้อโควิด-19
- การเรียนรู้ของเครื่อง
- ป่าสุ่ม
- ซัพพอร์ตเวกเตอร์แมชชิน
- ตารางเมทริกซ์ความสับสน (Confusion Matrix) และการค านวณหาค่า ประสิทธิภาพของโมเดล
- การหาค่า Micro, Macro & Weighted Averages of F1 Score
- การทบทวนวรรณกรรม
- การก าหนดกลุ่มประชากร ประชากร
หลังจาก TIA หรือโรคหลอดเลือดสมองตีบเล็กน้อย แพทย์อาจให้แอสไพรินและยาแก้แพ้แก่คุณ ยาต้านเกล็ดเลือด เช่น clopidogrel (Plavix) จะได้รับเป็นระยะเวลาหนึ่งเพื่อลดความเสี่ยงของภาวะหลอดเลือดแข็งตัว เลือดออกในสมองอีก หากคุณไม่สามารถรับประทานแอสไพรินได้ แพทย์สามารถสั่งจ่ายยาโคลพิโดเกรลเพียงอย่างเดียวได้ ค่า TP,TN,FP,FN ในเมทริกซ์ความสับสนจะแสดงด้วยความถี่ของจำนวนข้อมูลที่เรา ค่าในเมทริกซ์ความสับสนสามารถใช้ในการคำนวณประสิทธิภาพการประเมินของการทำนายแบบจำลองของเราที่แตกต่างกัน รูปแบบ คุณค่ามากมายดังภาพประกอบ 12. การทบทวนวรรณกรรม. 6.1 การทำนายความเสี่ยงโรคหลอดเลือดสมองโดยใช้การเรียนรู้ของเครื่อง: การศึกษาแบบกลุ่มในอนาคตของผู้ใหญ่ชาวจีน 0.5 ล้านคน
กลุ่มที่วิเคราะห์ ผลลัพธ์: ใช้ประโยชน์จากการเรียนรู้ของเครื่อง เราได้ระบุปัจจัยหลักในข้อมูลการลงทะเบียน สุขภาพอิเล็กทรอนิกส์เพื่อประเมินความรุนแรงของโรคหลอดเลือดสมองรวมถึงการเสียชีวิตภายในเดือนเดียวกับโรคหลอดเลือดสมอง ระยะเวลาการรักษาตัวในโรงพยาบาลหลังโรคหลอดเลือดสมอง การวินิจฉัยภาวะสมองเสื่อม/การกลืนลำบาก การวินิจฉัยโรคอัมพาตครึ่งซีก การอนุญาตให้กลับบ้านหรือดูแลตัวเอง การเปรียบเทียบคะแนน NIHSS ที่กำหนด 6.6 การเรียนรู้ของเครื่องสำหรับ เพื่อทำนายการเสียชีวิตหลังการฟื้นฟูในผู้ป่วยโรคหลอดเลือดสมองรุนแรง จุดมุ่งหมายของการศึกษานี้คือการพัฒนาและเปรียบเทียบแบบจำลองกรณีผสมสำหรับผลลัพธ์การตาย ผลลัพธ์เชิงหน้าที่จากการรักษา (ผลลัพธ์เชิงหน้าที่) และการวัดผลลัพธ์ เพื่อประเมินประสิทธิภาพของโมเดล ML และการอ่านค่า DWI-FLAIR ของมนุษย์ได้ที่
แสดงขั้นตอนการด าเนินการวิจัย
- Model Selection and creation
- Model evaluation
- โมเดลที่ใช้ในการวิจัย
- รวบรวมข้อมูล
เป็นการวัดและเปรียบเทียบประสิทธิภาพของแต่ละรุ่น โดยใช้ข้อมูลจากชุดทดสอบที่เตรียมไว้และวัดและเปรียบเทียบประสิทธิภาพการทำงานของแต่ละรุ่นโดยใช้ Conversation Matrix, Accuracy, Sensitive, Specifications, F1 score 5 ever_married String Literal (Yes, N0) ระบุสถานะของผู้ป่วยว่าได้สมรสแล้วหรือไม่ หรือไม่.
ต่อ)
- เตรียมข้อมูลให้พร้อมสร้างโมเดล
- การท าความสะอาดข้อมูล (Data Cleaning)
- Feature Scaling
- การประเมินประสิทธิภาพของแต่ละโมเดล
รูปที่ 18 แสดงค่าศูนย์สำหรับแต่ละคุณลักษณะที่พบว่าตัวแปร 'bmi' มี ฟังก์ชันตัวเลขมีค่าผิดปกติ 'อายุ', 'agv_glucose_level' ผู้ที่มีความดันโลหิตสูงมีโอกาสเป็นโรคหลอดเลือดสมอง 13.33% ผู้ที่ไม่มีความดันโลหิตสูง โอกาสเกิดโรคหลอดเลือดสมอง 4.09.
ผู้ที่เป็นโรคหัวใจมีโอกาสเป็นโรคหลอดเลือดสมองร้อยละ 16.53 เรากำหนดคุณสมบัติเป้าหมาย (คุณสมบัติการตอบสนองหรือตัวแปร) และเรากำหนด "จังหวะ" โรคความดันโลหิตสูง. และผู้ที่มีดัชนีมวลกายประมาณ 20 - 40 พบว่าสัมพันธ์กับโอกาสเกิดโรคหลอดเลือดสมอง
บทที่ 4
ผลการด าเนินการวิจัย
ผลลัพธ์ของการศึกษาและวิเคราะห์
FP = ของการคาดคะเนว่ามีความเสี่ยงต่อโรคหลอดเลือดสมอง แต่พบว่าจริง ๆ แล้วไม่มีความเสี่ยงในการเกิดโรคหลอดเลือดสมอง (no stroke) โดยมีค่า 0 FN = ของการคาดการณ์ว่าไม่มีความเสี่ยงในการเกิดโรคหลอดเลือดสมอง (no stroke) แต่พบว่าเกิดขึ้นจริง ความเสี่ยงต่อโรคหลอดเลือดสมอง (สโตรก) เท่ากับ 62 จากเมทริกซ์ความสับสนของรูปที่ 43 ของแบบจำลอง LR เราสามารถคำนวณค่า Precision, Recall, F1 score รวมถึงค่าเฉลี่ยของ Precision, Recall, F1 score ทั้ง Macro avg. และ Weight avg ด้วย Function allocation_report ซึ่งสามารถคำนวณ Macro avg และ Weight avg ได้ จาก Confusion Matrix ของ Illustration 45 ของโมเดล Random Forest เราสามารถคำนวณค่า Precision, Recall, F1 score รวมถึงค่าเฉลี่ยของ Precision, Recall, F1 score ทั้ง Macro average และ Weighted average โดยใช้ Function allocation_report ค่าของ Macro-Avg และ Weight-Avg สามารถคำนวณได้ดังนี้
FP = ค่าคาดการณ์ความเสี่ยงต่อโรคหลอดเลือดสมองแต่ไม่พบความเสี่ยงของโรคหลอดเลือดสมองเลย (no stroke) โดยมีค่า 1 FN = จากค่าคาดการณ์ว่าไม่มีความเสี่ยงต่อโรคหลอดเลือดสมอง (no stroke) แต่พบความเสี่ยงจริงของโรคหลอดเลือดสมอง (stroke) เท่ากับ 62
ต่อ)
- ผลการทดสอบสมมติฐานการวิจัย
FP = ค่าคาดการณ์ความเสี่ยงต่อโรคหลอดเลือดสมองแต่พบว่าไม่มีความเสี่ยงต่อโรคหลอดเลือดสมองเลย (no stroke) โดยมีค่า 86 FN = จากค่าคาดการณ์ว่าไม่มีความเสี่ยงต่อโรคหลอดเลือดสมอง (no stroke) แต่พบความเสี่ยงจริงของโรคหลอดเลือดสมอง (stroke) เป็น 58 พื้นที่ใต้กราฟของแบบจำลองป่าสุ่มหลังจากการปรับแต่งด้วย GridSearchCV คือชุดข้อมูลดิบ ชุดข้อมูลการทำให้เป็นมาตรฐาน และชุดข้อมูลการทำให้เป็นมาตรฐาน (แสดงประสิทธิภาพของโมเดล LR, SVM และ Random Forest
FN = ไม่มีความเสี่ยงต่อโรคหลอดเลือดสมอง แต่พบว่ามีความเสี่ยงต่อโรคหลอดเลือดสมอง 4308
บทที่5
สรุปผลการวิจัย อภิปรายผล และข้อเสนอแนะ
บรรณานุกรม
ประวัติผู้เขียน