KaydedilenlerDerginizi ekleyin

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

İlaç İlaç Etkileşimlerinin Jordan Elman Ağları Kullanılarak Sınıflandırılması

Fırat HARDALAÇ
Uğurhan Kutbay KUTBAY
Sayfa
0
Yayın Tarihi
2014-03-27
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Lazarou ve arkadaşlarına göre hastanede yatan hastaların %6,7’sinde, %0,32’lik bir oranda ölümcül İİE tespit edilmiştir[3].

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:İlaç kullanımı birçok risk içermektedir.
📊
Temel Bulgular & Veri: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].
💡
Sonuç & Katkı:Lazarou ve arkadaşlarına göre hastanede yatan hastaların %6,7’sinde, %0,32’lik bir oranda ölümcül İİE tespit edilmiştir[3].
🔬Tür:Araştırma Makalesi
📍Kapsam:2011 Verileri
⚙️Değişkenler: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.

🔖

Bu Makaleye Atıf Yap

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

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (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