KaydedilenlerDerginizi ekleyin

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

İLAÇ İLAÇ ETKİLEŞİMLERİNİN JORDAN ELMAN AĞLARI KULLANILARAK SINIFLANDIRILMASI

CLASSIFICATION OF DRUG DRUG INTERACTIONS USING JORDAN ELMAN NETWORKS

Fırat HARDALAÇ
Uğurhan KUTBAY
Sayfa
149–154
Yayın Tarihi
2022-10-18
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 %6,7sinde, %0,32lik 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 %6,7sinde, %0,32lik bir oranda ölümcül İİE tespit edilmiştir [3].
🔬Tür:Araştırma Makalesi
📍Kapsam:2011 Verileri
⚙️Değişkenler:Alan Parametreleri

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]. İİElerin 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 %6,7sinde, %0,32lik bir oranda ölümcül İİE tespit edilmiştir [3]. İİEden dolayı ölümlerin ABDye maliyeti yıllık 136milyar$ olmaktadır [4]. İİElerin ölümcül etkilerinin önüne geçilmesi için bu çalışmada İİElerin yapay sinir ağlarıyla sınıflandırılması amaçlanmaktadır. Bu çalışmada Jordan Elman Ağları bazı İİElere uygulanmış ve sınıflandırma işlemi 1000 adımda eğitilmiştir. Eğitimin 149 adım sonunda Levenberg Marquardt öğrenme algortimasıyla 0,0305lik bir MSE ile Jordan ağı oluşturulmuş ve ağın test sonucu 0,8177lik korelasyon katsıyısı elde edilmiştir. Bu çalışma ayrıca Türkiye Cumhuriyeti Bilim Sanayi ve Teknolji Bakanlığı tarafından 00912.STZ.2011-1 kod numaralı İlaç Etkileşimleriprojesi olarak desteklenmiştir.

Abstract

Usage of drug has many risks. These risks are drug related problems in hospital admission, drug related problems during hospitalization, drug related problems at hospital discharge, medication errors and drug-drug interactions (DDIs) [1]. Because of the DDIs fatal effects, U.S. Food and Drug Administration (FDA) and European Medicines Agency (EMEA) are researching at this area [2]. Lazarou et al. investigated 6.7% of hospitalized patients, having a fatal DDIs with the rate of 0.32% [3]. The cost of DDIs related mortality is $136 billion annually in the USA [4]. Preventing the deadly effects of DDIs, classifying of DDIs using Neural Networks is aimed at this study. In this study, Jordan Elman Networks were applied for some DDIs and classification process trained for 1000 steps. At the end of 149 training step, using Levenberg Marquardt learning algorithm, Jordan network has been constituted with 0.0305 MSE and as a result of testing network, correlation coefficient was obtained as 0.8177. This study is also supported by Republic of Turkey Ministry of Science, Industry and Technology as Drug Interaction (code number is 00912.STZ.2011-1)

🔖

Bu Makaleye Atıf Yap

HARDALAÇ, F., KUTBAY, U. (2022). İLAÇ İLAÇ ETKİLEŞİMLERİNİN JORDAN ELMAN AĞLARI KULLANILARAK SINIFLANDIRILMASI. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 29 - Sayı: 1, 149–154. https://ajindex.com/articles/523947

📄 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, 2005
  3. 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 279, 1200–1205, 1998
  4. Johnson, J.A., Bootman, J.L., “Drug-related morbidity and mortality. A cost-of-illness model”, Arch Intern Med, Cilt 155, No 18,1949–1956, 1995
  5. 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
  6. Lepori, V., Perren, A., Marone, C., “Adverse internal medicine drug effects at hospital admission”, Schweiz Med Wochenschr, Cilt 129, No 24, 915-922. 1999
  7. Srinivasan, V., Eswaran, C., Sriraam, N., “Epileptic detection using artificial neural networks”, International Conference On Signal Processing And Communication (SPCOM), Bangalore, India, 2004 8. Jordan, M., “Serial order: A parallel distributed processing approach,” Advances in Psychology, Neural-Networks Models of Cognition, Cilt 121, 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- 404, 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 38, No 3, 1554-1564, 2011
  12. Fink, O., Zio,