KaydedilenlerDerginizi ekleyin

Dergiler / İstanbul Üniversitesi İşletme Fakültesi Dergisi / 2010 / Cilt: 39 - Sayı: 2

Finding hidden patterns of hospital infections on newborn: A data mining approach

Hastane enfeksiyonlarının gizli örüntülerinin bulunması: Bir veri madenciligi yaklasımı

Sona MARDİKYAN
İnci AKSOY
Bertan BADUR
Sayfa
210–226
Yayın Tarihi
2022-11-05
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)

Yapay sinir agları ve CHAID karar agaçları hastane enfeksiyonlarının tespitinde basarılı olmustur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Her geçen gün görülme sıklıgı artan hastane enfeksiyonları, önemli derecede morbidite, mortalite ve ekonomik yüklere neden olmakta ve yalnızca saglık sektörünü degil, tüm toplumu ilgilendirmektedir.
📊
Temel Bulgular & Veri:Model karsılastırmada dogruluk ve duyarlılık oranları öncelikli olarak dikkate alınmıstır.
💡
Sonuç & Katkı:Yapay sinir agları ve CHAID karar agaçları hastane enfeksiyonlarının tespitinde basarılı olmustur.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Her geçen gün görülme sıklıgı artan hastane enfeksiyonları, önemli derecede morbidite, mortalite ve ekonomik yüklere neden olmakta ve yalnızca saglık sektörünü degil, tüm toplumu ilgilendirmektedir. Bu çalısmada, yenidogan yogun bakım ünitesindeki hastane enfeksiyonlarının tespit edilmesi için veri madenciligi yöntemlerinin uygulaması sunulmaktadır. Veri seti Eskisehir Osmangazi Üniversitesi, Tıp Fakültesi, Klinik Mikrobiyoloji ve Enfeksiyon Hastalıkları Bölümü tarafından hazırlanmıstır. Karar agaçları ve yapay sinir agları sınıflandırma modelleri basit ve çapraz dogrulama yöntemleri ile kurulmustur. Model karsılastırmada dogruluk ve duyarlılık oranları öncelikli olarak dikkate alınmıstır. Bu çalısmada antibiyotik ve üriner kateter kullanımı, periferik kateter kullanım süresi, enteral ve total parenteral beslenme süreleri ve dogum agırlıgının gestasyonel yasa oranı önemli risk faktörleri olarak bulunmustur. Yapay sinir agları ve CHAID karar agaçları hastane enfeksiyonlarının tespitinde basarılı olmustur.

Abstract

The increasing number of hospital infections with considerable morbidity, mortality and economic burden attracts the attention of not only the health-care environment, but also the whole society. This study presents an application of data mining methods for hospital infection detection in a newborn intensive care unit. The data set is provided by Department of Clinical Microbiology and Infectious Diseases, Eskisehir Osmangazi University, Faculty of Medicine. Decision tree and neural network classification models are built using accuracy estimation methods; holdout sampling and cross validation. In model comparison, accuracy and sensitivity measures are taken into consideration primarily. The study highlights that antibiotics and urinary catheter usage, peripheral catheter duration, enteral and total parenteral nutrition durations, and birth weight for gestational age are considerable risk factors. Among the models, neural network and CHAID decision tree perform better on hospital infections detection.

🔖

Bu Makaleye Atıf Yap

MARDİKYAN, S., AKSOY, İ., BADUR, B. (2022). Finding hidden patterns of hospital infections on newborn: A data mining approach. İstanbul Üniversitesi İşletme Fakültesi Dergisi, Cilt: 39 - Sayı: 2, 210–226. https://ajindex.com/articles/652100

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (17)

  1. M. Ertek, Hastane Enfeksiyonları: Türkiye Verileri. Hastane Enfeksiyonları Koruma ve Kontrol Sempozyum Dizisi. 60, 9-14 (2008)
  2. Y. Perk, Yenidogan Yogun Bakım Enfeksiyonları; Koruma ve Kontrol. Hastane Enfeksiyonları Koruma ve Kontrol Sempozyum Dizisi. 60, 137-141 (2008)
  3. D. Pittet, Infection Control and Quality Health Care in the New Millennium. American Journal of Infection Control. 33, 5, June, 258-267 (2005)
  4. D. Breaux, et al., Using Automated Surveillance to Trace Evidence-Based Practices: Reducing Infection Outcomes when Escherichia Coli is Your Most Common Uropathogen. American Journal of Infection Control. 33, 5, June, (2005)
  5. E. Lamma, et al., A System for Monitoring Nosocomial Infections, in Medical Data Analysis ISMDA 2000 (Brause, R.W., Hanisch, E. Eds.). Springer, Berlin, 2000
  6. U.M. Fayyad, et al. (Eds.), Advances in Knowledge Discovery and Data Mining. The MIT Press, Cambridge, Massachusetts, 1996, p.6
  7. J. Han, Kamber, M., Data Mining Concepts and Techniques. Morgan Kaufmann, San Francisco, 2006, p.24, 291, 327, 360, 372
  8. R.O. Duda, et al., Pattern Classification. Wiley, New York, 2001, p.398
  9. O. Maimon, L. Rokach, Decision trees, in The Data Mining and Knowledge Discovery Handbook (O. Maimon, L.Rokach Eds.), Springer Science+Business Media Inc., New York, 2005
  10. L. Breiman, et al., Classification and Regression Trees. Chapman & Hall, New York, 1984, p.30, 66
  11. G.V. Kass, An Exploratory Technique for Investigating Large Quantities of Categorical Data. Journal of Applied Statistics. 29, 2, 119-127 (1980)
  12. C.M. Bishop, Neural Networks for Pattern Recognition. Oxford University Press, New York, 1995, p.117, 140
  13. P.N. Tan, et al., Introduction to Data Mining. Pearson Addison-Wesley, Boston, 2006, p.296
  14. R. Dybowski, S. Roberts, An anthology of probabilistic models for medical informatics, in probabilistic modeling in Bioinformatics and Medical Informatics. (Husmeier, D., Dybowski, R., Roberts, S. Eds.), Springer-Verlag, London, 2005
  15. E.A. Braithwaite, et al., Artificial Neural Networks for Neonatal Intensive Care, in Clinical Applications of Artificial Neural Networks (Dybowski, R., Gant, V. Eds.), Cambridge University Press, Cambridge, 2001
  16. G.E.P. Box, D.R. Cox, An Analysis of Transformations. Journal of the Royal Statistical Society. Series B, 26, 2, 211-252 (1964)
  17. S.M. Weiss, C.A. Kulikowski, Computer Systems That Learn. Morgan Kaufmann Publishers Inc., San Mateo, Cali