کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6901461 1446494 2017 6 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Empirical thresholding logistic regression model based on unbalanced cardiac patient data
ترجمه فارسی عنوان
مدل رگرسیون لجستیک آستانه تجربی بر مبنای داده های بیمار نارسایی قلبی
کلمات کلیدی
پیش بینی بقاء، داده های بیمار نارسایی قلب، طبقه بندی، رگرسیون منطقی تضعیف تجربی،
ترجمه چکیده
بیماری قلبی باعث عوارض و مرگ و میر فراوان میشود. تحقیقات گذشته در این زمینه بر روی عوامل خطر و درمان تمرکز داشتند. در طبقه بندی بقاء بیمار در شرایط اضطراری با اطلاعات نامتقارن کمی وجود دارد. این مطالعه در این زمینه بر اساس بیش از 2،000 سوابق بیمار قلبی گسترش یافته است. این مجموعه داده ناسازگار برای توسعه یک مدل رگرسیون لجستیک تجربی و آستانه ای که بقای بیمار را پیش بینی کرد، مورد استفاده قرار گرفت. این مدل با استفاده از روشهای گام به گام و با هزینه بالا، تصحیح شد. اکتشاف عوامل مهمی را که بر بقاء بیمار تأثیر گذاشت، نشان داد و پیشنهاد کرد که مدل رگرسیون لجستیک آستانه ای بتواند راهی انعطاف پذیرفته و عملگرا برای دستیابی به اطلاعات بیمار قلبی نامتعادل باشد. این مدل عوامل کلیدی را برای کمک به پزشکان بر شاخص های مهم مرتبط با بقای بیمار تعیین کرده است. این مطالعه بینش های فنی و عملی جدیدی را برای تجزیه و تحلیل بقای فوری بیماران قلبی، با استفاده از یک مجموعه داده ای نامتعادل ارائه می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر علوم کامپیوتر (عمومی)
پیش نمایش مقاله
مدل رگرسیون لجستیک آستانه تجربی بر مبنای داده های بیمار نارسایی قلبی
چکیده انگلیسی
Cardiac disease causes widespread morbidity and mortality. Past research in this area focused on risk factors and treatment. Little exists on patient survival classification in emergency room situations with unbalanced data. The current study expanded knowledge in this area based on over 2,000 cardiac patient records. This unbalanced dataset was used to develop an empirical, thresholding logistic regression model which predicted patients' survival. The model was refined using stepwise and cost-efficient methods. The exploration revealed important factors that influenced patient survival and suggested a thresholding logistic regression model can provide a flexible and pragmatic way to handle unbalanced cardiac patient data. The model identified key factors to help doctors concentrate on important indicators related to patient survival. This study offers novel technical and practical insights for instant survival analysis of cardiac patients, using an unbalanced dataset.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Procedia Computer Science - Volume 121, 2017, Pages 160-165
نویسندگان
, , , ,