Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: TFIDF

Sortuj według:

Ogranicz wyniki do:

The method of automatic assignment ICD codes based on semantic information

Romaldowski Marcin

Computer Science and Mathematical Modelling

2019

No. 10

17--23

The paper presents the method of automatic assignment of ICD codes based on semantic information contained in clinical reports of the MIMIC-III database. It is showing the possibility of using multi-criteria optimization methods for simple classifiers fusion in a more precise classifiers complex. ICD code assignment is important in the modern hospital, more accurate automation of assigning codes will make the clinical process more efficient and can help clinicians carry out better diagnostics and effectively improve medical care systems.

W artykule przedstawiono metodę automatycznego przypisywania kodów ICD-9 na podstawie informacji semantycznych zawartych w raportach klinicznych pacjentów bazy MIMIC-III. Została pokazana możliwość wykorzystania metod optymalizacji wielokryterialnej do budowy fuzji klasyfikatorów w celu utworzenia bardziej precyzyjnych klasyfikatorów. Przypisanie kodu ICD jest ważne na wielu poziomach w nowoczesnym szpitalu, dokładniejsza automatyzacja przypisywania kodów sprawi, że proces kliniczny stanie się bardziej wydajny i może pomóc klinicystom w przeprowadzeniu lepszej diagnostyki i skutecznej poprawie systemów opieki medycznej.

A study of parallel techniques for dimensionality reduction and its impact on the quality of text processing algorithms

Pietroń M., Wielgosz M., Karwatowski M., Wiatr K.

Measurement Automation Monitoring

2015

Vol. 61, No. 7

352--353

The presented algorithms employ the Vector Space Model (VSM) and its enhancements such as TFIDF (Term Frequency Inverse Document Frequency) with Singular Value Decomposition (SVD). TFIDF were applied to emphasize the important features of documents and SVD was used to reduce the analysis space. Consequently, a series of experiments were conducted. They revealed important properties of the algorithms and their accuracy. The accuracy of the algorithms was estimated in terms of their ability to match the human classification of the subject. For unsupervised algorithms the entropy was used as a quality evaluation measure. The combination of VSM, TFIDF, and SVD came out to be the best performing unsupervised algorithm with entropy of 0.16.