Techniques de classification basées sur l'apprentissage automatique

Par convention, les médecins suivent un processus cognitif de prise de décision, dont l'adéquation se développe avec l'expérience et les connaissances acquises dans la littérature, les conférences, etc. Des connaissances ou une expérience inadéquates peuvent conduire à un mauvais diagnostic des maladies, ce qui affecte le patient physiquement, émotionnellement, financièrement, etc. En utilisant des techniques d'exploration de données, il est possible de développer des modèles de diagnostic précis qui peuvent être utilisés dans la prise de décision clinique. L'adoption de tels modèles dans la pratique clinique peut assurer une meilleure prise de décision, diminuant ainsi le taux de mauvais diagnostics, minimisant le malaise, la douleur et l'anxiété qui sont associés à une maladie grâce à une détection et un traitement précoces. Dans cette thèse, (i) la performance des algorithmes de classification standard dans la détection de l'IRC a été explorée (ii) une nouvelle approche hybride pour diagnostiquer avec précision l'IRC est présentée et (iii) l'application de l'algorithme de forêt aléatoire distribuée pour développer un modèle généralisé pour le diagnostic de l'IRC a été proposée.

Autorentext

Le Dr Klinsega Jeberson est professeur adjoint à l'Université Sam Higginbottom d'agriculture, de technologie et de sciences (SHUATS), en Inde. Elle a plus de 10 ans d'expérience dans l'enseignement et la recherche dans le domaine de l'exploration de données et a publié plusieurs articles de recherche. Elle a obtenu un doctorat en applications informatiques de SHUATS.