این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
Journal of Artificial Intelligence and Data Mining، جلد ۱۱، شماره ۳، صفحات ۳۴۳-۳۵۵
عنوان فارسی
چکیده فارسی مقاله
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Hidden Pattern Discovery on Clinical Data: an Approach based on Data Mining Techniques
چکیده انگلیسی مقاله In this study, we sought to minimize the need for redundant blood tests in diagnosing common diseases by leveraging unsupervised data mining techniques on a large-scale dataset of over one million patients' blood test results. We excluded non-numeric and subjective data to ensure precision. To identify relationships between attributes, we applied a suite of unsupervised methods including preprocessing, clustering, and association rule mining. Our approach uncovered correlations that enable healthcare professionals to detect potential acute diseases early, improving patient outcomes and reducing costs. The reliability of our extracted patterns also suggest that this approach can lead to significant time and cost savings while reducing the workload for laboratory personnel. Our study highlights the importance of big data analytics and unsupervised learning techniques in increasing efficiency in healthcare centers.
کلیدواژه‌های انگلیسی مقاله Clinical Data, data mining, Unsupervised learning, Association Rule Mining, Clustering
نویسندگان مقاله Meysam Roostaee |
Department of Computer Engineering, University of Mazandaran, Babolsar, Iran.

Razieh Meidanshahi |
Department of Computer Engineering, Polytechnic University of Turin, Turin, Italy.

نشانی اینترنتی https://jad.shahroodut.ac.ir/article_2857_b9a48d6fa4d7a27426cbb751415865d6.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده en
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات