Klasyfikacja diagnostyczna pacjentów z niskorosłością na podstawie sieci bayesowskiej

Owczarek, T.; Szromek, A.

Artykuł - szczegóły

Tytuł artykułu

Klasyfikacja diagnostyczna pacjentów z niskorosłością na podstawie sieci bayesowskiej

Autorzy

Owczarek T. , Szromek A.

Wybrane pełne teksty z tego czasopisma

http://managementpapers.polsl.pl/

Identyfikatory

Warianty tytułu

The diagnostic classification of short stature children using bayesian network

Języki publikacji

Abstrakty

Artykuł prezentuje rezultaty wykorzystania sieci bayesowskiej w klasyfikacji diagnostycznej dzieci z niskorosłością. Autorzy zbudowali sieć opartą na 10 cechach auksologicznych, klasyfikując niskorosłych pacjentów do jednej z trzech grup. Wyniki porównano z innymi ilościowymi modelami klasyfikacji niskorosłych.

The publication presents results of the diagnostics classification of short stature children based on bayesian network. Authors build network based on 10 auxologic measurements classifying short stature patients to one of the three groups. The received results are combined with other quantitative models of short stature classification.

Słowa kluczowe

klasyfikacja diagnostyczna pacjent niskorosły endokrynologia sieć Bayesa

diagnostic classification short stature patient endocrinology Bayesian network

Wydawca

Wydawnictwo Politechniki Śląskiej

Czasopismo

Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska

Rocznik

2010

Tom

z. 54

Strony

249--260

Opis fizyczny

Bibliogr. 20 poz.

Twórcy

autor

Owczarek T.

autor

Szromek A.

Politechnika Śląska, Wydział Organizacji i Zarządzania, Instytut Ekonomii i Informatyki, tomasz.owczarek@polsl.pl

Bibliografia

1. Brook C.G., Kelnar C.J.H., Bets P.R.: Which children should receive growth hormone treatment? Arch. Dis. Child. 83, 2000.
2. Charniak E.: Bayesian network without tears, AI Magazine 12, p. 50-63, 1991.
3. Cheng J., Greiner R.: Learning Bayesian Belief Network Classifiers: Algorithms and System [w:] Proceedings of the fourteenth Canadian conference on Artificial Intelligence, 2001.
4. Dougherty J., Kohavi R., Sahami M.: Supervised and unsupervised discretization of continuous features [w:] Machine Learning: Proceedings of the Twelfth International Conference. Morgan Kaufman, 1995.
5. Drug and Therapeutics Committee of the Lawson Wilkins Pediatric Endocrinology Society. Guidelines for the useof growth hormone in children with short stature, [w:] Journal of Pediatrics 127/1995.
6. Finkelstein B. S., Imperiale T.F., Speroff T., Marrero U., Radcliffe D.J., Cuttler L.: Effect of growth hormone therapy on height in children with idiopathic short stature, [w:] Archives of Pediatrics & Adolescent Medicine 156/2002.
7. Friedman N., Goldszmidt M.: Building Classifiers using Bayesian Networks, [w:] Proceedings of the Thirteenth National Conference on Artificial Intelligence, 1996.
8. Heckerman D.: A Tutorial on Learning With Bayesian Network, Technical Report MSR-TR-95-06, Microsoft Reasearch, 1995.
9. Jensen, F. V.: Bayesian Network and Decision Graphs, Springer-Verlag, 2002.
10. John P. H., Langley P.: Estimating Continuous Distributions in Bayesian Classifiers, [w:] Proceedings of the Eleventh Conference on Uncertainty in Artificial Intelligence. Morgan Kaufman, 1995.
11. Mała encyklopedia medycyny PWN, (red.) Kostrzewski P., Ziółkowski J. PWN, Warszawa 1999.
12. Margaritis D.: Distribution-Free Learning of Bayesian Network Structure in Continuous Domains [w:] Proceedings of the Twentieth National Conference on Artificial Intelligence, 2005.
13. Mitchell T. M.: Machine Learning, McGraw-Hill, 1997.
14. Petrie A., Sabin C: Statystyka medyczna w zarysie. PZWL, Warszawa 2006.
15. Russell S., Norvig P.: Artificial Intelligence: Modem Approach, Prentice Hall, 2002.
16. Saenger P.: Growth hormone therapy for the short normal child: who needs it and who wants it? The case in support of GH therapy, [w:] Journal Pediatrics 136/2000.
17. Stanisz A.: Przystępny kurs statystyki z zastosowaniem STATISTIC A PL na przykładach z medycyny. Tom 1. Statystyki podstawowe. Wyd. StatSoft, Kraków 2006.
18. Szromek A., Krajewska-Siuda E.: Koncepcja klasyfikacji diagnostycznej dzieci z niskorosłością i jej ekonomiczne implikacje. Ilościowe modele klasyfikacyjne w diagnostyce medycznej. Wyd. Politechniki Śląskiej w Gliwicach, Gliwice 2008.
19. Szromek A., Krajewska-Siuda E.: Wykorzystanie cech auksologicznych w klasyfikacji diagnostycznej niskorosłych pacjentów - próba wypracowania nowej metody klasyfikacji. Zeszyty Naukowe Politechniki Siakiej. Organizacja i Zarządzanie. Gliwice 2009
20. Witten I. H., Eibe F.: Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann Publishers, 2005.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-article-BSL2-0025-0105