Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Decision Support Prototype for healthcare using data mining technique
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Literature published recently, specifically in machine learning and data mining, focuses on proposing great ideas and models for the medical systems. Unfortunately, the industry is lacking to implement the ideas and research made by the researchers that directly assist practically in the medical field.

This research focuses on developing a prototype of a Decision Support System (DSS) that helps clinicians to predict Chronic Kidney Disease (CKD) orientation in a patient. Research has been finalized in two phases: the first phase consists in performing a comparative analysis of different machine learning techniques with the help of Weka tool as well as literature so that we evaluate their performances. The most performant machine learning technique has then been chosen to design and develop a DSS for chronic kidney disease patients.

CKD dataset is chosen from the UCI machine learning repository. The preprocessed dataset consists of 400 records, which have all the available 24 fields/characteristic from the database. Research outcome is a decision support system prototype that is based on standard optimized machine learning algorithms to predict the patient chronic kidney disease orientation.

The aggregated results indicated that C4.5 decision tree is the best data mining technique with the highest accuracy on the dataset (this prediction accuracy is better than any reported in the literature) which is better than any reported in the published literature. A C4.5 decision tree with high accuracy chose further to develop and implement a decision support system prototype for chronic kidney disease patients. Practically the decision support system is built in C++ using Visual Studio 2017.

The findings are presented as accommodating references for doctors and patients in chronic diseases treatments. DSS help clinicians to predict chronic kidney disease orientation in a patient.

Abstract [sv]

Litteratur som nyligen publicerats, speciellt inom maskininlärning och data mining, fokuserar på att föreslå bra idéer och modeller för de medicinska systemen. Tyvärr saknas branschen att genomföra de idéer och forskning som forskarna gör som direkt hjälper praktiskt taget inom det medicinska området.

Denna forskning fokuserar på att utveckla en prototyp av ett beslutsstödssystem (DSS) som hjälper kliniker att förutsäga kronisk njursjukdom (CKD) orientering hos en patient. Forskningen har slutförts i två faser: Den första fasen består i att utföra en jämförande analys av olika maskininlärningstekniker med hjälp av Weka verktyg samt litteratur så att vi utvärderar deras prestanda. : Den första fasen består i att utföra en jämförande analys av olika maskininlärningstekniker med hjälp av Weka verktyg samt litteratur så att vi utvärderar deras prestanda.

CKD-dataset är valt från UCI-maskininlärningsförvaret. Den förbehandlade databasen består av 400 poster, som har alla tillgängliga 24 fält / karaktäristik från databasen. Forskningsresultatet är en prototyp för beslutsstödsystem som bygger på standardoptimerade maskininlärningsalgoritmer för att förutsäga patientens kroniska njursjukdomsorientering.

De aggregerade resultaten visade att C4.5-beslutsträdet är den bästa data miningstekniken med högsta noggrannhet på datasetet (denna förutsägningsnoggrannhet är bättre än vad som rapporterats i litteraturen) vilket är bättre än vad som rapporterats i den publicerade litteraturen. Ett C4.5beslutsträd med hög noggrannhet valde vidare att utveckla och genomföra en prototyp för beslutsstödssystem för patienter med kronisk njursjukdom. Praktiskt taget är beslutsstödsystemet byggt i C ++ med Visual Studio 2017.

Resultaten presenteras som tillmötesgående referenser för läkare och patienter vid behandling av kroniska sjukdomar. DSS hjälper kliniker att förutse kronisk njursjukdom orientering hos en patient.

Place, publisher, year, edition, pages
2018. , p. 45
Series
TRITA-EECS-EX ; 2018:769
Keywords [en]
Chronic Kidney Disease (CKD); Decision Support System (DSS); Machine Learning Repository (MLR); Datasets; knowledge discovery in databases (KDD)
Keywords [sv]
Chronic Kidney Disease (CKD); Decision Support System (DSS); Machine Learning Repository (MLR); Datasets; knowledge discovery in databases (KDD)
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-254927OAI: oai:DiVA.org:kth-254927DiVA, id: diva2:1336287
Subject / course
Computer Science
Educational program
Degree of Master
Examiners
Available from: 2019-07-09 Created: 2019-07-09 Last updated: 2019-07-09Bibliographically approved

Open Access in DiVA

No full text in DiVA

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 19 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf