ỨNG DỤNG ĐỒ THỊ TRI THỨC MỜ TRONG HỖ TRỢ CHẨN ĐOÁN CHO BỆNH NHÂN BỊ ĐÁI THÁO ĐƯỜNG | Chuẩn | TNU Journal of Science and Technology

ỨNG DỤNG ĐỒ THỊ TRI THỨC MỜ TRONG HỖ TRỢ CHẨN ĐOÁN CHO BỆNH NHÂN BỊ ĐÁI THÁO ĐƯỜNG

Thông tin bài báo

Ngày nhận bài: 02/11/23                Ngày hoàn thiện: 29/11/23                Ngày đăng: 29/11/23

Các tác giả

1. Phạm Minh Chuẩn, Trường Đại học Sư phạm Kỹ thuật Hưng Yên
2. Trần Mạnh Tuấn, Trường Đại học Thủy lợi
3. Cù Kim Long, Trung tâm Công nghệ thông tin - Bộ Khoa học và Công nghệ
4. Nguyễn Hồng Tân Email to author, Trường Đại học Công nghệ Thông tin và Truyền thông - ĐH Thái Nguyên

Tóm tắt


Nhu cầu chăm sóc sức khỏe con người là hết sức cần thiết trong thời gian gần đây. Trong số các bệnh thường gặp, Đái tháo đường là một trong những căn bệnh nguy hiểm và rất nhiều người đang mắc phải căn bệnh này. Tuổi tác, béo phì, lười vận động, tiểu đường di truyền, lối sống, chế độ ăn uống không hợp lý, cao huyết áp,... đều là nguyên nhân gây ra bệnh Đái tháo đường. Những người mắc bệnh tiểu đường có nguy cơ cao mắc các bệnh như bệnh tim, bệnh thận, đột quỵ, các vấn đề về mắt, tổn thương thần kinh,... Các công cụ công nghệ thông tin được sử dụng trong hỗ trợ chẩn đoán giúp cho các bác sĩ phát hiện tình trạng bệnh của bệnh nhân một cách nhanh chóng chính xác để từ đó hỗ trợ bác sĩ sớm đưa ra các phác đồ điều trị phù hợp cho người bệnh. Trong bài này, chúng tôi tập trung nghiên cứu mô hình đồ thị tri thức mờ trong việc hỗ trợ chẩn đoán bệnh đái tháo đường. Mô hình đồ thị tri thức dựa trên lý thuyết đồ thị kết hợp với suy diễn mờ là hướng nghiên cứu mới trong thời gian gần đây. Mô hình này được sử dụng để phát hiện các mẫu dữ liệu có khả năng mắc bệnh và trợ giúp bác sĩ trong chẩn đoán. Để đánh giá hiệu năng của mô hình, các thực nghiệm mô hình đồ thị tri thức được thực hiện trên bộ dữ liệu thu thập từ các bác sĩ tại Bệnh viện đa khoa Hưng Yên. Kết quả thực nghiệm cho thấy mô hình đồ thị tri thức mờ cho kết quả tốt hơn các mô hình so sánh.

Từ khóa


Đái tháo đường; Đồ thị tri thức mờ; Hỗ trợ chẩn đoán; Hiệu năng; Độ chính xác

Toàn văn:

PDF

Tài liệu tham khảo


[1] International Diabetes Federation (IDF), “The IDF Diabetes Atlas 10th Edition,” 2021.

[2] American Diabetes Association, “Economic Costs of Diabetes in the U.S. in 2017,” 2018, pp. 917-928.

[3] B. N. Nguyen, L. Z. Lu, and A. Waqas, “Diabetes: What Challenges Lie Ahead for Vietnam?” Ann. Glob. Health, vol. 86, no. 1, pp. 1-9, Jan 2, 2020.

[4] M. F. Ijaz, M. Attique, and Y. Son, “Data-Driven Cervical Cancer Prediction Model with Outlier Detection and Over-Sampling Methods,” Sensors, vol. 20, no. 10, 2020, Art. no. 2809, doi: 10.3390/s20102809.

[5] P. N. Srinivasu, J. G. SivaSai, M. F. Ijaz, A. K. Bhoi, W. Kim, and J. J. Kang, “Classification of skin disease using deep learning neural networks with MobileNet V2 and LSTM,” Sensors, vol. 21, 2021, Art. no. 2852, doi: 10.3390/s21082852.

[6] M. Mandal, P.K. Singh, M.F. Ijaz, J. Shafi, and R. Sarkar, “A Tri-Stage Wrapper-Filter Feature Selection Framework for Disease Classification,” Sensors, vol. 21, no. 16, 2021, Art. no. 5571, doi: 10.3390/s21165571.

[7] M. F. Ijaz, G. Alfian, M. Syafrudin, and J. Rhee, “Hybrid Prediction Model for Type 2 Diabetes and Hypertension Using DBSCAN Based Outlier Detection, Synthetic Minority Over Sampling Technique (SMOTE), and Random Forest,” Appl. Sci., vol. 8, 2018, Art. no. 1325, doi: 10.3390/app8081325.

[8] O. Biran and C. Cotton, “Explanation and Justification in Machine Learning: A Survey,” IJCAI-17, 2017, pp. 8–13.

[9] L.A. Zadeh, Advances in Fuzzy Systems—Applications and Theory, Word Scientific Publisher: Singapore, 1996, pp. 394–432.

[10] F. Mehmanpazir and S. Asadi, “Development of an evolutionary fuzzy expert system for estimating future behavior of stock price,” J. Ind. Eng. Int., vol. 13, pp. 29–46, 2017.

[11] F. Mansourypoor and S. Asadi, “Development of a Reinforcement Learning-based Evolutionary Fuzzy Rule-Based System for diabetes diagnosis,” Comput. Biol. Med., vol. 91, pp. 337–352, 2017.

[12] S. Guillaume and B. Charnomordic, “Learning interpretable fuzzy inference systems with FisPro,” Inf. Sci., vol. 181, pp. 4409–4427, 2011.

[13] P. A. Bonatti, S. Decker, A. Polleres, and V. Presutti, “Knowledge graphs: New directions for knowledge representation on the semantic web (dagstuhl seminar 18371),” Dagstuhl Reports, vol. 8, no. 9. pp. 29-111, Dagstuhl-Leibniz Castle Center for Computer Science, 2019.

[14] T. H. L. Luong, M. T. Tran, T. N. Tran, H. S. Le, L. G. Nguyen, T. N. N. Vo, and V. H. Pham, “A new complex fuzzy inference system with fuzzy knowledge graph and extensions in decision making,” IEEE Access, vol. 8, pp. 164 899– 164 921, 2020.

[15] L. S. Riza, C. Bergmeir, F. Herrera, and J. M. Benıtez, “frbs: Fuzzy Rule-Based Systems for Classification and Regression in R,” Journal of Statistical Software, vol. 65, no. 6, pp. 1–30, 2015.

[16] K. L. Cu, V. H. Pham, M. T. Tran, T. H. L. Luong, M. C. Pham, and H. S. Le, “A novel fuzzy knowledge graph pairs approach in decision making,” Multimedia Tools and Applications, vol. 81, no. 18, pp. 26505-26534, 2022.




DOI: https://doi.org/10.34238/tnu-jst.9132

Các bài báo tham chiếu

  • Hiện tại không có bài báo tham chiếu
Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên
Phòng 408, 409 - Tòa nhà Điều hành - Đại học Thái Nguyên
Phường Tân Thịnh - Thành phố Thái Nguyên
Điện thoại: 0208 3840 288 - E-mail: jst@tnu.edu.vn
Phát triển trên nền tảng Open Journal Systems
©2018 All Rights Reserved