Analiza danych onkologicznych z wykorzystaniem MS BI SQL Server 2005

• Autorzy: Matyja D. , Tuzinkiewicz L.

Warianty tytułu

EN

Analysis of oncological data with use OF MS BI SQL Server 2005

• Konferencja: Metody i narzędzia wytwarzania oprogramowania. Konferencja Naukowa (14-16.05.2007 , Szklarska Poręba)
• Języki publikacji: PL

Abstrakty

PL

W pracy dokonano przeglądu algorytmów zgłębiania wiedzy, które zostały zaimplementowane w środowisku MS SQL Server 2005, pod kątem możliwości ich wykorzystania do ekstrakcji informacji z danych onkologicznych. Dane te pochodzą ze zbioru udostępnionego przez University of Wisconsin Hospitals. Ponadto aktualnie gromadzone są dane z ankiet (2006 rok) przeprowadzonych wśród pacjentek Samodzielnego Publicznego Szpitala Klinicznego Nr 1 we Wrocławiu, w ramach rządowego Programu Profilaktyki Raka Piersi. Analizy mają na celu wyodrębnienie istotnych czynników mających największy wpływ na zwiększenie ryzyka zachorowania. Wyniki aktualnie prowadzonych prac uzasadniają stosowanie algorytmów zaimplementowanych w MS SQL Server 2005, w szczególności drzew decyzyjnych, sieci neuronowych, klaste-ryzacji, regresji logarytmicznej oraz naiwnego modelu Bayesa. W przyszłości w oparciu o uzyskane wyniki zostaną zaproponowane modele analityczne dotyczące zachorowań na raka piersi i prototyp systemu wspierania podejmowania decyzji (diagnozowania).

EN

The aim of this paper is an overview of the data mining algorithms implemented in the Microsoft SQL Server 2005 environment with regard to their applicability to oncological dataset (the government-sponsored program of breast cancer prophylaxis held in 2006 in Wroclaw, Poland, among Polish women aged between 50 and 69). In the initial phase the analyses of the data mining algorithms are based on the data from the University of Wisconsin Hospitals, Madison, USA from Dr. William H. Wolberg. A lot of research is conducted in the field of applications of computer science in medicine in order to facilitate diagnoses and treatment. Specialists propose new ways of mining medical data for patterns (models) and concealed information. All the models had high predicting accuracy and relatively low type-I and type-II errors. The analyses provided a list of the most influential and important attributes in the dataset which should be considered during diagnoses and treatment. Future perspectives of the research include extraction of tangible knowledge from the oncological data gained from the breast cancer surveys. A medical decision support system will be then created based on these results.

Słowa kluczowe

PL

eksploracja danych; hurtownie danych; onkologia

EN

data mining; data warehousing; oncology

• Wydawca: Oficyna Wydawnicza Politechniki Wrocławskiej
• Czasopismo: Prace Naukowe Instytutu Informatyki Stosowanej Politechniki Wrocławskiej. Konferencje
• Rocznik: 2007
• Tom: ---
• Strony: 293--306
• Opis fizyczny: Bibliogr. 12 poz.

Twórcy

autor

Matyja D.

autor

Tuzinkiewicz L.

• Politechnika Wrocławska, Instytut Informatyki Stosowanej, Wybrzeże Wyspiańskiego 27, 50-370 Wrocław

Bibliografia

• [1] Abbass H. A., An Evolutionary Artificial Neural Networks Approach for Breast Cancer Diagnosis, CiteSeer, 2002.
• [2] Chen T., Hsu T., A GA based approach for mining breast cancer pattern, Expert Systems with Applications, torn 30, Elsevier, 2006, 674-681.
• [3] Cheng T., Wei C, Tseng V. S., Feature Selection for Medical Data Mining: Comparisons of Expert Judgment and Automatic Approaches/Proceedings of the 19th IEEE Symposium on Computer- Based Medical Systems, 2006.
• [4] Chou S., Lee T., Shao Y. E., Chen I., Mining the breast cancer pattern using artificial neural networks and multivariate adaptive regression splines, Expert Systems with Applications, torn 27, Elsevier, 2004, 133-142.
• [5] Delen D., Walker G., Kadam A., Predicting breast cancer survivability: a comparison of three data mining methods, Artificial Intelligence in Medicine, tom34, 2005, 113-127.
• [6] Jiang Y. i inni, The potential of Computer-Aided Diagnosis (CAD) to reduce variability in radiologists' interpretation of mammograms. Academic Radiology, torn 10, Nr 8, 2003.
• [7] Mitchell T.M., Machine Learning, McGraw-Hill Science/Engineering/Math, 1997.
• [8] Skevofilakas M. T., Nikita K. S., A decision support system for breast cancer treatment based on data mining technologies and clinical practice guidelines, Proceedings of the 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference , 2005.
• [9] Tang Z., MacLennan J., Data Mining with SQL Server 2005, Indianapolis, Indiana, USA, Wiley Publishing Inc., 2005.
• [10] Witten I.H., Frank E., Data Mining, Practical Machine Learning Tools and Techniques, Second Edition, San Francisco, Kalifornia, USA, Elsevier, 2005.
• [11] Xiong X., Kim Y., Back Y., Rhee D.W., Kim S., Analysis of Breast Cancer Using Data Mining and Statistical Techniques, Proceedings of the Sixth International Conference on Software Engineering, IEEE, 2005.
• [12] http://www.inegaputer.com/products/pa/index.php3, sprawdzono dnia 21.02.2007.