SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 29 Sayı: 1

İlaç İlaç Etkileşimlerinin Jordan Elman Ağları Kullanılarak Sınıflandırılması

Fırat Hardalaç
Uğurhan Kutbay Kutbay
Pages
—
Publication Date
2014-03-27
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu çalışma ayrıca Türkiye Cumhuriyeti Bilim Sanayi ve Teknolji Bakanlığı tarafından 00912.STZ.2011-1 kod numaralı “İlaç Etkileşimleri” projesi olarak desteklenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:İlaç kullanımı birçok risk içermektedir.
📊
Key Findings & Data:Bu riskler hastanede yatış için kabul alanların aldıkları ilaçla ilgili problemler, hastanede yatış sırasında alınan ilaca bağlı sorunlar, taburcu edilmeden alınan ilaç problemleri, medikal hatalar ve ilaç ilaç etkileşimleri(İİE)dir [1].
💡
Conclusion & Impact:Bu çalışma ayrıca Türkiye Cumhuriyeti Bilim Sanayi ve Teknolji Bakanlığı tarafından 00912.STZ.2011-1 kod numaralı “İlaç Etkileşimleri” projesi olarak desteklenmiştir.
🔬Design:Makale
📍Scope:2011 Verileri
⚙️Variables:Sınıflandırma · yapay sinir ağları · jordan elman ağları

Özet

İlaç kullanımı birçok risk içermektedir. Bu riskler hastanede yatış için kabul alanların aldıkları ilaçla ilgili problemler, hastanede yatış sırasında alınan ilaca bağlı sorunlar, taburcu edilmeden alınan ilaç problemleri, medikal hatalar ve ilaç ilaç etkileşimleri(İİE)dir [1]. İİE’lerin ölümcül etkilerinden dolayı, FDA (U.S. Food and Drug Administration) ve EMEA (European Medicines Agency) bu alanda çalışmalar yapmaktadır [2]. Lazarou ve arkadaşlarına göre hastanede yatan hastaların %6,7’sinde, %0,32’lik bir oranda ölümcül İİE tespit edilmiştir [3]. İİE’den dolayı ölümlerin ABD’ye maliyeti yıllık 136milyar$ olmaktadır [4]. İİE’lerin ölümcül etkilerinin önüne geçilmesi için bu çalışmada İİE’lerin yapay sinir ağlarıyla sınıflandırılması amaçlanmaktadır. Bu çalışmada Jordan Elman Ağları bazı İİE’lere uygulanmış ve sınıflandırma işlemi 1000 adımda eğitilmiştir. Eğitimin 149 adım sonunda Levenberg Marquardt öğrenme algortimasıyla 0,0305’lik bir MSE ile Jordan ağı oluşturulmuş ve ağın test sonucu 0,8177’lik korelasyon katsıyısı elde edilmiştir. Bu çalışma ayrıca Türkiye Cumhuriyeti Bilim Sanayi ve Teknolji Bakanlığı tarafından 00912.STZ.2011-1 kod numaralı “İlaç Etkileşimleri” projesi olarak desteklenmiştir.

🔖

Cite This Article

Hardalaç, F., Kutbay, U. K. (2014). İlaç İlaç Etkileşimlerinin Jordan Elman Ağları Kullanılarak Sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 29 Sayı: 1. https://doi.org/10.17341/gummfd.87747

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (91)

  1. Vonbach, P., Drug Drug Interactions in the
  2. Hospital, Inauguraldissertation, University of
  3. Basel, 2007.
  4. Polak, S., Brandys, J., “Neural System for in
  5. silico Drug-Drug Interaction Screening”,
  6. Proceedings of the 2005 International
  7. Conference on Computational Intelligence for
  8. Modelling, Control and Automation, and
  9. International Conference, Ontario, Canada,
  10. Lazarou, J., Pomeranz, B., Corey, P.N.,
  11. “Incidence of adverse drug reactions in
  12. hospitalized patients: A meta-analysis of
  13. prospective studies”, The Journal Of The
  14. American Medical Association (JAMA), Cilt, 1200–1205, 1998.
  15. Johnson, J.A., Bootman, J.L., “Drug-related
  16. morbidity and mortality. A cost-of-illness
  17. model”, Arch Intern Med, Cilt 155, No,1949–1956, 1995.
  18. Pirmohamed, M., James, S., Meakin, S., et al.,
  19. “Adverse drug reactions as cause of admission to
  20. hospital: prospective analysis of 18 820 patients”,
  21. BMJ, Cilt 329, No 7456, 15-23, 2004.
  22. Lepori, V., Perren, A., Marone, C., “Adverse
  23. internal medicine drug effects at hospital
  24. admission”, Schweiz Med Wochenschr, Cilt, No 24, 915-922. 1999.
  25. Srinivasan, V., Eswaran, C., Sriraam, N.,
  26. “Epileptic detection using artificial neural
  27. networks”, International Conference On Signal
  28. Processing And Communication (SPCOM),
  29. Bangalore, India, 2004
  30. Jordan, M., “Serial order: A parallel distributed
  31. processing approach,” Advances in Psychology,
  32. Neural-Networks Models of Cognition, Cilt, 471-495, 1997.
  33. Deshmukh, R.P., Ghatol, A.A. "Comparative
  34. Study Of Jorden And Elman Model Of Neural
  35. Network For Short Term Flood Forecasting”,
  36. IEEE 3rd International Conference on
  37. Computer Science and Information
  38. Technology (ICCSIT), Chengdu, China, 400-, 2010.
  39. Chatterjee, A., Paul, K. C., Tudu B., “Application
  40. Of Recurrent Neural Network For Generating
  41. Grayscale Digital Half-Tone Images”, Second
  42. International Conference on Emerging
  43. Applications of Information Technology,
  44. Science City, Kolkata, 41-44, 2011.
  45. Versace, M., Bhatt, R., Hinds, O., Shiffer,
  46. M.,“Predicting the exchange traded fund DIA
  47. with a combination of genetic algorithms and
  48. neural networks”, Expert Systems with
  49. Applications,, Cilt 27, No 4, 417-425, 2004.
  50. Kelo, S.M., Dudul, S.M., “Short-term
  51. Maharashtra state electrical power load prediction
  52. with special emphasis on seasonal changes using
  53. a novel focused time lagged recurrent neural
  54. network based on time delay neural network
  55. model”, Expert Systems with Applications, Cilt, No 3, 1554-1564, 2011.
  56. Fink, O., Zio, E., Weidmann, U., “Predicting time
  57. series of railway speed restrictions with timedependent
  58. machine learning techniques”, Expert
  59. Systems with Applications,, Cilt 40, No 15,
  60. 6040, 2013.
  61. Kaya, T., İnce, M. C., “Design Of FIR Filter
  62. Using Modeled Window Function With Helping
  63. Of Artificial Neural Networks”, Journal of the
  64. Faculty of Engineering and Architecture of
  65. Gazi University, Cilt 27, No 3, 599-606, 2012.
  66. Güntürkün, R., “Determining the Amount of
  67. Anesthetic Medicineto Be Applied by Using
  68. Elman’s Recurrent Neural Networks via Resilient
  69. Back Propagation”, Journal of Medical
  70. Systems, Cilt 34, 493–497, 2010.
  71. Pearlmutter, B. A., ”Gradient Calculations For
  72. Dynamic Recurrent Neural Networks: A Survey”,
  73. IEEE Transactions On Neural Networks, Cilt, No 5, 1212-1228,1995.
  74. Lee, S. W., Song, H. H., “A New Recurrent
  75. Neural- Network Architecture for Visual Pattern
  76. Recognition”, IEEE Transactions On Neural
  77. Networks, Cilt 8, No 2, 331-340, 1997.
  78. Hardalac, F., “Classification of educational
  79. backgrounds of students using musical
  80. intelligence and perception with the help of
  81. genetic neural networks”, Expert Systems with
  82. Applications, Cilt 36, 6708–6713, 2009
  83. Elman, J. L., “Finding structure in time”,
  84. Cognitive Science, Cilt 14, 179–211, 1990.
  85. Levenberg, K., "A Method for the Solution of
  86. Certain Non-Linear Problems in Least
  87. Squares", Quarterly of Applied Mathematics,
  88. Cilt 2, No 2, 164–168, 1944.
  89. Applications,, Cilt 27, No 4, 417-425, 2004.
  90. Systems with Applications,, Cilt 40, No 15,
  91. Cilt 2, No 2, 164–168, 1944.