Eksploracja danych optometrycznych w środowisku R. Cz. 1

• Autorzy: Szuba Robert , Liberacka Ewa
• Języki publikacji: PL

Abstrakty

PL

Intensywny rozwój technologii informatycznych, które umożliwiają cyfryzację i archiwizację danych medycznych, pozwala na ciągłe powiększanie baz danych o kolejne, ogromne zasoby informacji dotyczących zdrowia [1]. Według szacunków obecnie, około 30% światowych danych jest generowanych przez sektor opieki zdrowotnej [2]. Gromadzenie danych wiąże się również z optometrią. Podczas badań optometrycznych i związanych z nimi rozmaitych pomiarów dotyczących narządu wzroku, każdorazowo dokumentowane są liczne informacje i parametry. Obok zagadnienia samego magazynowania danych, równie istotną kwestią są metody ich przetworzenia, które pozwolą w pełni wykorzystać ich potencjał.

Słowa kluczowe

PL

badanie optometryczne; optometria; narząd wzroku; parametry

• Wydawca: MAGMONI Sp. z o.o.
• Czasopismo: Optyka
• Rocznik: 2023
• Tom: Nr 4
• Strony: 54--57
• Opis fizyczny: Bibliogr. 18 poz., fot., tab., wykr.

Twórcy

autor

Szuba Robert

• Wydział Fizyki Uniwersytetu im. Adama Mickiewicza w Poznaniu

autor

Liberacka Ewa

Bibliografia

• 1. M. Szajczyk. Cyfryzacja w sektorze ochrony zdrowia w Polsce. Innowacje i cyfryzacja gospodarki 2019: 45-46
• 2. D. Reinsel, J. Gantz, J. Rydning. The Digitalization of the World. From Edge to Core. An IDC White Paper 2018: 22. www.seagate.com/files/www-content/our-story/trends/files/idc-seagate-dataage-whitepaper.pdf (data dostępu: 29.06.2023)
• 3. T. Morzy. Eksploracja danych. Nauka 3/2007: 83-104
• 4. K. Chauhan, P. Chauhan, A. Sudhalkar, K. Lad, R. Gulati. Data Mining Techniques for Diagnostic Support of Glaucoma using Stratus OCT and Perimetric Data. International Journal of Computer Applications 2016; 151(8): 34-39
• 5. U. Shafique, F. Majeed, FI. Qaiser, I. Ul. Mustafa. Data Mining in Healthcare for Heart Diseases. International Journal of Innovation and Applied Studies 2015; vol. 10, no. 4: 1312-1322
• 6. T. Porter, B. Green. Identifying Diabetic Patients: A Data Mining Approach. Proceedings of the 15th Americas Conference on Information Systems, AMCIS 2009, San Francisco, California, USA, 2009: https://aisel.aisnet.org/amris2009/500/ (data dostępu: 29.06.2023)
• 7. L. Li i in. Data mining techniques for cancer detection using serum proteomic profiling. Artificial Intelligence in Medicine 2004; 32(2): 71-83
• 8. N. Jothi, N.A. Rashid, W. Husain. Data Mining in Healthcare — A Review. Procedia Computer Science 2015; vol. 72: 306-313
• 9. Dane za stroną internetową: https://codeburst.io/how-r-is-used-in-data-science-13-real-life-analogies-3f379de5e8ec (data dostępu: 27.06.2023)
• 10. M.A. Awodun, R.0. Adedara. An Efficient Rule-Mining for Medical Diagnosis: A Market-Basket Approach. International Journal of Research and Analytical Reviews 2017; 4(1): 96-107
• 11. M. Mikos. Jak zrozumieć klienta-na podstawie już dostępnych danych. Rpubs. https://rpubs.com/airam/usl_p3?fbclid=IwAR23yvrx2jesLMPgftKXnLJibXCZz4pK5pScQXHKy27mkUDnLcoloLQRknA (data dostępu: 29.06.2023)
• 12. M. Lasek, M. Pęczkowski. Analiza asocjacji i reguły asocjacyjne w badaniu wyborów zajęć dydaktycznych dokonywanych przez studentów. Zastosowanie algorytmu Apriori. Ekonomia. Rynek, Gospodarka, Społeczeństwo 2013; 34: 69-71
• 13. G. Harańczyk. Co z czym i po czym, czyli analiza asocjacji i sekwencji w programie Statistica. StatSoft. https://media.statsoft.pl/_old_dnn/downloads/co_z_czym_i_po_czym.pdf (data dostępu: 29.06.2023)
• 14. Dane za stroną internetową: Stan zdrowia ludności w Polsce w 2019 roku. https://stat.gov.pl/obszary-tematyczne/zdrowie/zdrowie/stan-zdrowia-ludnosci-polski-w-2019-r-,6,7.html# (data dostępu: 29.06.2023)
• 15. D. Cianciara. Płeć kulturowa jako dominanta zdrowia mężczyzn. Zdrowie Publiczne i Zarządzanie 2015; 13(4): 348-349
• 16. P. Ucieklak-Jeż, A. Bem. Dostępność opieki zdrowotnej na obszarach wiejskich w Polsce. Problem Drobnych Gospodarstw Rolnych 2017; nr 4: 117-131
• 17. H. Hashemi, A. Fotouhi, A. Yekta, R. Pakzad, H. Ostadimoghaddam, M. Khabazkhoob. Global and regional estimates of prevalence of refractive errors: Systematic review and meta-analysis. Journal of Current Ophthalmology 2017; 30(1): 1-20
• 18. B.A. Holden i in. Global Prevalence of Myopia and High Myopia and Temporal Trends from 2000 through 2050. American Academy of Ophthalmology 2016; 123(5): 1036-1042

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).