| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava
Prva stran > Izpis gradiva

Izpis gradiva Pomoč

Naslov:Primerjava podpornih vektorjev, naključnih gozdov in nevronskih mrež za napoved odziva na zdravljenje z adalimumabom pri slovenskih bolnikih s crohnovo boleznijo
Avtorji:ID Nemec, Katja (Avtor)
ID Gorenjak, Mario (Mentor) Več o mentorju... Novo okno
ID Potočnik, Uroš (Komentor)
Datoteke:.pdf MAG_Nemec_Katja_2024.pdf (3,95 MB)
MD5: 221EC61A817C497CC370467D511A567C
 
Jezik:Slovenski jezik
Vrsta gradiva:Magistrsko delo
Tipologija:2.09 - Magistrsko delo
Organizacija:FZV - Fakulteta za zdravstvene vede
Opis:Uvod: V našem magistrskem delu smo želeli ugotoviti učinkovitost metod strojnega učenja pri napovedi odziva bolnikov s Chronovo boleznijo na biološko zdravilo adalimumab. Metode: Raziskava je vključevala 88 vzorcev, ki so bili analizirani glede na genetske, klinične in mešane podatke v različnih tednih zdravljenja. Uporabljene metode, kot so naključni gozdovi (RF), podporni vektorji (SVM) in nevronske mreže (NNET), so bile evalvirane z uporabo različnih metrik natančnosti, občutljivosti in Youdenovega indeksa. Rezultati: Rezultati kažejo, da je metoda RF najboljša na mešanih podatkih, SVM izstopa pri kliničnih, medtem ko NNET in RF dosegata najboljše rezultate na genetskih podatkih v različnih obdobjih zdravljenja. Uporaba metode "bagging" je izboljšala natančnost, še posebej pri RF. Kljub temu se zahteva previdnost pri interpretaciji zaradi omejene velikosti vzorca. Razprava: Naša analiza poudarja potrebo po preudarnem izboru metode, odvisnem od specifičnih značilnosti podatkov in ciljev analize. Sklep: Naše ugotovitve na podlagi analize predstavljajo osnovo za nadaljnje raziskave v smeri izboljšanja natančnosti modelov napovedi zdravljenja.
Ključne besede:Crohnova bolezen, bioinformatika, napovedni modeli, strojno učenje
Kraj izida:Maribor
Založnik:[K. Nemec]
Leto izida:2024
PID:20.500.12556/DKUM-86930 Novo okno
UDK:004.43:615.32:616.34-002(043.2)
COBISS.SI-ID:190297859 Novo okno
Datum objave v DKUM:26.03.2024
Število ogledov:257
Število prenosov:21
Metapodatki:XML DC-XML DC-RDF
Področja:FZV
:
NEMEC, Katja, 2024, Primerjava podpornih vektorjev, naključnih gozdov in nevronskih mrež za napoved odziva na zdravljenje z adalimumabom pri slovenskih bolnikih s crohnovo boleznijo [na spletu]. Magistrsko delo. Maribor : K. Nemec. [Dostopano 10 april 2025]. Pridobljeno s: https://dk.um.si/IzpisGradiva.php?lang=slv&id=86930
Kopiraj citat
  
Skupna ocena:
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share


Iščem podobna dela...Prosim, počakajte...
Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:29.01.2024

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Comparison of support vectors, random forests and neural networks for predicting the response to adalimumab treatment in slovenian patients with crohn´s disease
Opis:Introduction: In our master's thesis, we aimed to assess the effectiveness of machine learning methods in predicting the response of patients with Crohn's disease to the biological drug adalimumab. Methods: The study involved 88 samples, analyzed based on genetic, clinical, and combined data over various treatment weeks. Employed methods, such as Random Forest (RF), Support Vector Machine (SVM), and Neural Network (NNET), were evaluated using diverse accuracy metrics, sensitivity, and the Youden Index. Results: Findings indicate RF as optimal for mixed data, SVM excelling in clinical data, while NNET and RF performed best on genetic data across different treatment periods. The use of "bagging" improved accuracy, particularly with RF. However, caution is warranted in interpretation due to the limited sample size. Discussion: Our analysis underscores the need for a judicious method selection, contingent on specific data characteristics and analysis goals. Conclusion: Our insights, derived from this analysis, serve as a foundation for further research aimed at enhancing the accuracy of treatment prediction models.
Ključne besede:Crohn’s disease, bioinformatics, prediction models, machine learning


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici