SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2014 / Cilt: 29 - Sayı: 1

İlaç İlaç Etkileşimlerinin Jordan Elman Ağları Kullanılarak Sınıflandırılması

Fırat HARDALAÇ
Uğurhan Kutbay KUTBAY
Pages
0
Publication Date
2014-03-27
DOI
—
🏛️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:Research Article
📍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 ağıoluşturulmuş 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, 0. https://ajindex.com/articles/19477

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Vonbach, P., Drug Drug Interactions in the Hospital, Inauguraldissertation, University of Basel, 2007.
  2. Polak, S., Brandys, J., “Neural System for in silico Drug-Drug Interaction Screening”, Proceedings of the 2005 International Conference on Computational Intelligence for Modelling, Control and Automation, and International Conference, Ontario, Canada, - Lazarou, J., Pomeranz, B., Corey, P.N., “Incidence of adverse drug reactions in hospitalized patients: A meta-analysis of prospective studies”, The Journal Of The American Medical Association (JAMA), Cilt, 1200–1205, 1998.
  3. Johnson, J.A., Bootman, J.L., “Drug-related morbidity and mortality. A cost-of-illness model”, Arch Intern Med, Cilt 155, No,1949–1956, 1995.
  4. Pirmohamed, M., James, S., Meakin, S., et al., “Adverse drug reactions as cause of admission to hospital: prospective analysis of 18 820 patients”, BMJ, Cilt 329, No 7456, 15-23, 2004.
  5. Lepori, V., Perren, A., Marone, C., “Adverse internal medicine drug effects at hospital admission”, Schweiz Med Wochenschr, Cilt, No 24, 915-922. 1999.
  6. Srinivasan, V., Eswaran, C., Sriraam, N., “Epileptic detection using artificial neural networks”, International Conference On Signal Processing And Communication (SPCOM), Bangalore, India, 2004
  7. Jordan, M., “Serial order: A parallel distributed processing approach,” Advances in Psychology, Neural-Networks Models of Cognition, Cilt, 471-495, 1997.
  8. Deshmukh, R.P., Ghatol, A.A. "Comparative Study Of Jorden And Elman Model Of Neural Network For Short Term Flood Forecasting”, IEEE 3rd International Conference on Computer Science and Information Technology (ICCSIT), Chengdu, China, 400-, 2010.
  9. Chatterjee, A., Paul, K. C., Tudu B., “Application Of Recurrent Neural Network For Generating Grayscale Digital Half-Tone Images”, Second International Conference on Emerging Applications of Information Technology, Science City, Kolkata, 41-44, 2011.
  10. Versace, M., Bhatt, R., Hinds, O., Shiffer, M.,“Predicting the exchange traded fund DIA with a combination of genetic algorithms and neural networks”, Expert Systems with Applications,, Cilt 27, No 4, 417-425, 2004.
  11. Kelo, S.M., Dudul, S.M., “Short-term Maharashtra state electrical power load prediction with special emphasis on seasonal changes using a novel focused time lagged recurrent neural network based on time delay neural network model”, Expert Systems with Applications, Cilt, No 3, 1554-1564, 2011.
  12. Fink, O., Zio, E., Weidmann, U., “Predicting time series of railway speed rest